--- 评论：真 描述：探索使用pip、conda、git和Docker安装Ultralytics的各种方法。了解如何在命令行界面或Python项目中使用Ultralytics。 关键字：Ultralytics安装，pip安装Ultralytics，Docker安装Ultralytics，Ultralytics命令行界面，Ultralytics Python接口 --- ## 安装Ultralytics Ultralytics提供了多种安装方法，包括pip、conda和Docker。通过`ultralytics`pip包安装最新稳定版的YOLOv8，或者克隆[Ultralytics GitHub仓库](https://github.com/ultralytics/ultralytics)以获取最新版本。Docker可用于在隔离容器中执行包，避免本地安装。 !!! 示例 "安装" === "Pip安装（推荐）" 使用pip安装`ultralytics`包，或通过运行`pip install -U ultralytics`更新现有安装。访问Python包索引(PyPI)了解更多关于`ultralytics`包的详细信息：[https://pypi.org/project/ultralytics/](https://pypi.org/project/ultralytics/)。 [![PyPI版本](https://badge.fury.io/py/ultralytics.svg)](https://badge.fury.io/py/ultralytics) [![下载](https://static.pepy.tech/badge/ultralytics)](https://pepy.tech/project/ultralytics) ```bash # 从PyPI安装ultralytics包 pip install ultralytics ``` 你也可以直接从GitHub[仓库](https://github.com/ultralytics/ultralytics)安装`ultralytics`包。如果你想要最新的开发版本，这可能会很有用。确保你的系统上安装了Git命令行工具。`@main`指令安装`main`分支，可修改为其他分支，如`@my-branch`，或完全删除，默认为`main`分支。 ```bash # 从GitHub安装ultralytics包 pip install git+https://github.com/ultralytics/ultralytics.git@main ``` === "Conda安装" Conda是pip的一个替代包管理器，也可用于安装。访问Anaconda了解更多详情，网址为[https://anaconda.org/conda-forge/ultralytics](https://anaconda.org/conda-forge/ultralytics)。用于更新conda包的Ultralytics feedstock仓库位于[https://github.com/conda-forge/ultralytics-feedstock/](https://github.com/conda-forge/ultralytics-feedstock/)。 [![Conda配方](https://img.shields.io/badge/recipe-ultralytics-green.svg)](https://anaconda.org/conda-forge/ultralytics) [![Conda下载](https://img.shields.io/conda/dn/conda-forge/ultralytics.svg)](https://anaconda.org/conda-forge/ultralytics) [![Conda版本](https://img.shields.io/conda/vn/conda-forge/ultralytics.svg)](https://anaconda.org/conda-forge/ultralytics) [![Conda平台](https://img.shields.io/conda/pn/conda-forge/ultralytics.svg)](https://anaconda.org/conda-forge/ultralytics) ```bash # 使用conda安装ultralytics包 conda install -c conda-forge ultralytics ``` !!! 注意 如果你在CUDA环境中安装，最佳实践是同时安装`ultralytics`、`pytorch`和`pytorch-cuda`，以便conda包管理器解决任何冲突，或者最后安装`pytorch-cuda`，让它必要时覆盖特定于CPU的`pytorch`包。 ```bash # 使用conda一起安装所有包 conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics ``` ### Conda Docker映像 Ultralytics Conda Docker映像也可从[DockerHub](https://hub.docker.com/r/ultralytics/ultralytics)获得。这些映像基于[Miniconda3](https://docs.conda.io/projects/miniconda/en/latest/)，是开始在Conda环境中使用`ultralytics`的简单方式。 ```bash # 将映像名称设置为变量 t=ultralytics/ultralytics:latest-conda # 从Docker Hub拉取最新的ultralytics映像 sudo docker pull $t # 使用GPU支持运行ultralytics映像的容器 sudo docker run -it --ipc=host --gpus all $t # 所有GPU sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # 指定GPU ``` === "Git克隆" 如果您对参与开发感兴趣或希望尝试最新源代码，请克隆`ultralytics`仓库。克隆后，导航到目录并使用pip以可编辑模式`-e`安装包。 ```bash # 克隆ultralytics仓库 git clone https://github.com/ultralytics/ultralytics # 导航到克隆的目录 cd ultralytics # 为开发安装可编辑模式下的包 pip install -e . ``` === "Docker" 利用Docker轻松地在隔离的容器中执行`ultralytics`包，确保跨不同环境的一致性和流畅性能。通过选择一款官方`ultralytics`映像，从[Docker Hub](https://hub.docker.com/r/ultralytics/ultralytics)中不仅避免了本地安装的复杂性，还获得了对验证工作环境的访问。Ultralytics提供5种主要支持的Docker映像，每一种都为不同的平台和使用案例设计，以提供高兼容性和效率： Docker拉取次数 - **Dockerfile：** 推荐用于训练的GPU映像。 - **Dockerfile-arm64：** 为ARM64架构优化，允许在树莓派和其他基于ARM64的平台上部署。 - **Dockerfile-cpu：** 基于Ubuntu的CPU版，适合无GPU环境下的推理。 - **Dockerfile-jetson：** 为NVIDIA Jetson设备量身定制，整合了针对这些平台优化的GPU支持。 - **Dockerfile-python：** 最小化映像，只包含Python及必要依赖，理想于轻量级应用和开发。 - **Dockerfile-conda：** 基于Miniconda3，包含conda安装的ultralytics包。 以下是获取最新映像并执行它的命令： ```bash # 将映像名称设置为变量 t=ultralytics/ultralytics:latest # 从Docker Hub拉取最新的ultralytics映像 sudo docker pull $t # 使用GPU支持运行ultralytics映像的容器 sudo docker run -it --ipc=host --gpus all $t # 所有GPU sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # 指定GPU ``` 上述命令初始化了一个带有最新`ultralytics`映像的Docker容器。`-it`标志分配了一个伪TTY，并保持stdin打开，使您可以与容器交互。`--ipc=host`标志将IPC（进程间通信）命名空间设置为宿主，这对于进程之间的内存共享至关重要。`--gpus all`标志使容器内可以访问所有可用的GPU，这对于需要GPU计算的任务至关重要。 注意：要在容器中使用本地机器上的文件，请使用Docker卷将本地目录挂载到容器中： ```bash # 将本地目录挂载到容器内的目录 sudo docker run -it --ipc=host --gpus all -v /path/on/host:/path/in/container $t ``` 将`/path/on/host`更改为您本地机器上的目录路径，将`/path/in/container`更改为Docker容器内希望访问的路径。 欲了解进阶Docker使用方法，请探索[Ultralytics Docker指南](https://docs.ultralytics.com/guides/docker-quickstart/)。 有关依赖项列表，请参见`ultralytics`的[requirements.txt](https://github.com/ultralytics/ultralytics/blob/main/requirements.txt)文件。请注意，上述所有示例均安装了所有必需的依赖项。 !!! 提示 "提示" PyTorch的要求因操作系统和CUDA需要而异，因此建议首先根据[https://pytorch.org/get-started/locally](https://pytorch.org/get-started/locally)上的指南安装PyTorch。 PyTorch安装指南 ## 通过CLI使用Ultralytics Ultralytics命令行界面（CLI）允许您通过简单的单行命令使用，无需Python环境。CLI不需要自定义或Python代码。您可以直接从终端使用`yolo`命令运行所有任务。查看[CLI指南](/../usage/cli.md)，了解更多关于从命令行使用YOLOv8的信息。 !!! 示例 === "语法" Ultralytics `yolo`命令使用以下语法： ```bash yolo 任务 模式 参数 其中 任务（可选）是[detect, segment, classify]中的一个 模式（必需）是[train, val, predict, export, track]中的一个 参数（可选）是任意数量的自定义“arg=value”对，如“imgsz=320”，可覆盖默认值。 ``` 在完整的[配置指南](/../usage/cfg.md)中查看所有参数，或者用`yolo cfg`查看 === "训练" 用初始学习率0.01训练检测模型10个周期 ```bash yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01 ``` === "预测" 使用预训练的分割模型以320的图像大小预测YouTube视频： ```bash yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320 ``` === "验证" 以批量大小1和640的图像大小验证预训练的检测模型： ```bash yolo val model=yolov8n.pt data=coco128.yaml batch=1 imgsz=640 ``` === "导出" 以224x128的图像大小将YOLOv8n分类模型导出到ONNX格式（无需任务） ```bash yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128 ``` === "特殊" 运行特殊命令以查看版本、查看设置、运行检查等： ```bash yolo help yolo checks yolo version yolo settings yolo copy-cfg yolo cfg ``` !!! 警告 "警告" 参数必须以`arg=val`对的形式传递，用等号`=`分隔，并用空格` `分隔对。不要使用`--`参数前缀或逗号`,`分隔参数。 - `yolo predict model=yolov8n.pt imgsz=640 conf=0.25`   ✅ - `yolo predict model yolov8n.pt imgsz 640 conf 0.25`   ❌ - `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25`   ❌ [CLI指南](/../usage/cli.md){ .md-button .md-button--primary} ## 通过Python使用Ultralytics YOLOv8的Python接口允许无缝集成进您的Python项目，轻松加载、运行模型及处理输出。Python接口设计简洁易用，使用户能快速实现他们项目中的目标检测、分割和分类功能。这使YOLOv8的Python接口成为任何希望在其Python项目中纳入这些功能的人的宝贵工具。 例如，用户可以加载一个模型，训练它，在验证集上评估性能，甚至只需几行代码就可以将其导出到ONNX格式。查看[Python指南](/../usage/python.md)，了解更多关于在Python项目中使用YOLOv8的信息。 !!! 示例 ```python from ultralytics import YOLO # 从头开始创建一个新的YOLO模型 model = YOLO('yolov8n.yaml') # 加载预训练的YOLO模型（推荐用于训练） model = YOLO('yolov8n.pt') # 使用“coco128.yaml”数据集训练模型3个周期 results = model.train(data='coco128.yaml', epochs=3) # 评估模型在验证集上的性能 results = model.val() # 使用模型对图片进行目标检测 results = model('https://ultralytics.com/images/bus.jpg') # 将模型导出为ONNX格式 success = model.export(format='onnx') ``` [Python指南](/../usage/python.md){.md-button .md-button--primary} ## Ultralytics设置 Ultralytics库提供了一个强大的设置管理系统，允许您精细控制实验。通过利用`ultralytics.utils`模块中的`SettingsManager`，用户可以轻松访问和修改设置。这些设置存储在YAML文件中，可以直接在Python环境中查看或修改，或者通过命令行界面(CLI)修改。 ### 检查设置 若要了解当前设置的配置情况，您可以直接查看： !!! 示例 "查看设置" === "Python" 您可以使用Python查看设置。首先从`ultralytics`模块导入`settings`对象。使用以下命令打印和返回设置： ```python from ultralytics import settings # 查看所有设置 print(settings) # 返回特定设置 value = settings['runs_dir'] ``` === "CLI" 或者，命令行界面允许您用一个简单的命令检查您的设置： ```bash yolo settings ``` ### 修改设置 Ultralytics允许用户轻松修改他们的设置。更改可以通过以下方式执行： !!! 示例 "更新设置" === "Python" 在Python环境中，调用`settings`对象上的`update`方法来更改您的设置： ```python from ultralytics import settings # 更新一个设置 settings.update({'runs_dir': '/path/to/runs'}) # 更新多个设置 settings.update({'runs_dir': '/path/to/runs', 'tensorboard': False}) # 重置设置为默认值 settings.reset() ``` === "CLI" 如果您更喜欢使用命令行界面，以下命令将允许您修改设置： ```bash # 更新一个设置 yolo settings runs_dir='/path/to/runs' # 更新多个设置 yolo settings runs_dir='/path/to/runs' tensorboard=False # 重置设置为默认值 yolo settings reset ``` ### 理解设置 下表提供了Ultralytics中可调整设置的概览。每个设置都概述了一个示例值、数据类型和简短描述。 | 名称 | 示例值 | 数据类型 | 描述 | |--------------------|-----------------------|--------|------------------------------------------------------------------------------------------| | `settings_version` | `'0.0.4'` | `str` | Ultralytics _settings_ 版本（不同于Ultralytics [pip](https://pypi.org/project/ultralytics/)版本） | | `datasets_dir` | `'/path/to/datasets'` | `str` | 存储数据集的目录 | | `weights_dir` | `'/path/to/weights'` | `str` | 存储模型权重的目录 | | `runs_dir` | `'/path/to/runs'` | `str` | 存储实验运行的目录 | | `uuid` | `'a1b2c3d4'` | `str` | 当前设置的唯一标识符 | | `sync` | `True` | `bool` | 是否将分析和崩溃同步到HUB | | `api_key` | `''` | `str` | Ultralytics HUB [API Key](https://hub.ultralytics.com/settings?tab=api+keys) | | `clearml` | `True` | `bool` | 是否使用ClearML记录 | | `comet` | `True` | `bool` | 是否使用[Comet ML](https://bit.ly/yolov8-readme-comet)进行实验跟踪和可视化 | | `dvc` | `True` | `bool` | 是否使用[DVC进行实验跟踪](https://dvc.org/doc/dvclive/ml-frameworks/yolo)和版本控制 | | `hub` | `True` | `bool` | 是否使用[Ultralytics HUB](https://hub.ultralytics.com)集成 | | `mlflow` | `True` | `bool` | 是否使用MLFlow进行实验跟踪 | | `neptune` | `True` | `bool` | 是否使用Neptune进行实验跟踪 | | `raytune` | `True` | `bool` | 是否使用Ray Tune进行超参数调整 | | `tensorboard` | `True` | `bool` | 是否使用TensorBoard进行可视化 | | `wandb` | `True` | `bool` | 是否使用Weights & Biases记录 | 在您浏览项目或实验时，请务必重新访问这些设置，以确保它们为您的需求提供最佳配置。