You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
187 lines
10 KiB
187 lines
10 KiB
--- |
|
comments: true |
|
description: Explore os diversos métodos para instalar o Ultralytics usando pip, conda, git e Docker. Aprenda a usar o Ultralytics com a interface de linha de comando ou dentro dos seus projetos Python. |
|
keywords: Instalação do Ultralytics, pip install Ultralytics, Docker install Ultralytics, interface de linha de comando do Ultralytics, interface Python do Ultralytics |
|
--- |
|
|
|
## Instalação do Ultralytics |
|
|
|
O Ultralytics oferece diversos métodos de instalação, incluindo pip, conda e Docker. Instale o YOLOv8 através do pacote `ultralytics` pip para a versão estável mais recente ou clonando o [repositório GitHub do Ultralytics](https://github.com/ultralytics/ultralytics) para obter a versão mais atualizada. O Docker pode ser usado para executar o pacote em um contêiner isolado, evitando a instalação local. |
|
|
|
!!! example "Instalar" |
|
|
|
=== "Pip install (recomendado)" |
|
Instale o pacote `ultralytics` usando pip, ou atualize uma instalação existente executando `pip install -U ultralytics`. Visite o Índice de Pacotes Python (PyPI) para mais detalhes sobre o pacote `ultralytics`: [https://pypi.org/project/ultralytics/](https://pypi.org/project/ultralytics/). |
|
|
|
[](https://badge.fury.io/py/ultralytics) [](https://pepy.tech/project/ultralytics) |
|
|
|
```bash |
|
# Instalar o pacote ultralytics do PyPI |
|
pip install ultralytics |
|
``` |
|
|
|
Você também pode instalar o pacote `ultralytics` diretamente do [repositório](https://github.com/ultralytics/ultralytics) GitHub. Isso pode ser útil se você desejar a versão de desenvolvimento mais recente. Certifique-se de ter a ferramenta de linha de comando Git instalada no seu sistema. O comando `@main` instala a branch `main` e pode ser modificado para outra branch, ou seja, `@my-branch`, ou removido completamente para padrão na branch `main`. |
|
|
|
```bash |
|
# Instalar o pacote ultralytics do GitHub |
|
pip install git+https://github.com/ultralytics/ultralytics.git@main |
|
``` |
|
|
|
|
|
=== "Conda install" |
|
Conda é um gerenciador de pacotes alternativo ao pip que também pode ser usado para instalação. Visite Anaconda para mais detalhes em [https://anaconda.org/conda-forge/ultralytics](https://anaconda.org/conda-forge/ultralytics). O repositório de feedstock do Ultralytics para atualizar o pacote conda está em [https://github.com/conda-forge/ultralytics-feedstock/](https://github.com/conda-forge/ultralytics-feedstock/). |
|
|
|
|
|
[](https://anaconda.org/conda-forge/ultralytics) [](https://anaconda.org/conda-forge/ultralytics) [](https://anaconda.org/conda-forge/ultralytics) [](https://anaconda.org/conda-forge/ultralytics) |
|
|
|
```bash |
|
# Instalar o pacote ultralytics usando conda |
|
conda install -c conda-forge ultralytics |
|
``` |
|
|
|
!!! note |
|
|
|
Se você está instalando em um ambiente CUDA a prática recomendada é instalar `ultralytics`, `pytorch` e `pytorch-cuda` no mesmo comando para permitir que o gerenciador de pacotes conda resolva quaisquer conflitos, ou instalar `pytorch-cuda` por último para permitir que ele substitua o pacote específico para CPU `pytorch`, se necessário. |
|
```bash |
|
# Instalar todos os pacotes juntos usando conda |
|
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics |
|
``` |
|
|
|
### Imagem Docker Conda |
|
|
|
As imagens Docker Conda do Ultralytics também estão disponíveis em [DockerHub](https://hub.docker.com/r/ultralytics/ultralytics). Estas imagens são baseadas em [Miniconda3](https://docs.conda.io/projects/miniconda/en/latest/) e são um modo simples de começar a usar `ultralytics` em um ambiente Conda. |
|
|
|
```bash |
|
# Definir o nome da imagem como uma variável |
|
t=ultralytics/ultralytics:latest-conda |
|
|
|
# Puxar a imagem mais recente do ultralytics do Docker Hub |
|
sudo docker pull $t |
|
|
|
# Executar a imagem ultralytics em um contêiner com suporte a GPU |
|
sudo docker run -it --ipc=host --gpus all $t # todas as GPUs |
|
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # especificar GPUs |
|
``` |
|
|
|
=== "Git clone" |
|
Clone o repositório `ultralytics` se você está interessado em contribuir para o desenvolvimento ou deseja experimentar com o código-fonte mais recente. Após clonar, navegue até o diretório e instale o pacote em modo editável `-e` usando pip. |
|
```bash |
|
# Clonar o repositório ultralytics |
|
git clone https://github.com/ultralytics/ultralytics |
|
|
|
# Navegar para o diretório clonado |
|
cd ultralytics |
|
|
|
# Instalar o pacote em modo editável para desenvolvimento |
|
pip install -e . |
|
``` |
|
|
|
Veja o arquivo [requirements.txt](https://github.com/ultralytics/ultralytics/blob/main/requirements.txt) do `ultralytics` para uma lista de dependências. Note que todos os exemplos acima instalam todas as dependências necessárias. |
|
|
|
!!! tip "Dica" |
|
|
|
Os requisitos do PyTorch variam pelo sistema operacional e pelos requisitos de CUDA, então é recomendado instalar o PyTorch primeiro seguindo as instruções em [https://pytorch.org/get-started/locally](https://pytorch.org/get-started/locally). |
|
|
|
<a href="https://pytorch.org/get-started/locally/"> |
|
<img width="800" alt="Instruções de Instalação do PyTorch" src="https://user-images.githubusercontent.com/26833433/228650108-ab0ec98a-b328-4f40-a40d-95355e8a84e3.png"> |
|
</a> |
|
|
|
## Use o Ultralytics com CLI |
|
|
|
A interface de linha de comando (CLI) do Ultralytics permite comandos simples de uma única linha sem a necessidade de um ambiente Python. O CLI não requer personalização ou código Python. Você pode simplesmente rodar todas as tarefas do terminal com o comando `yolo`. Confira o [Guia CLI](/../usage/cli.md) para aprender mais sobre o uso do YOLOv8 pela linha de comando. |
|
|
|
!!! example |
|
|
|
=== "Sintaxe" |
|
|
|
Os comandos `yolo` do Ultralytics usam a seguinte sintaxe: |
|
```bash |
|
yolo TAREFA MODO ARGUMENTOS |
|
|
|
Onde TAREFA (opcional) é um entre [detect, segment, classify] |
|
MODO (obrigatório) é um entre [train, val, predict, export, track] |
|
ARGUMENTOS (opcional) são qualquer número de pares personalizados 'arg=valor' como 'imgsz=320' que substituem os padrões. |
|
``` |
|
Veja todos os ARGUMENTOS no guia completo de [Configuração](/../usage/cfg.md) ou com `yolo cfg` |
|
|
|
=== "Train" |
|
|
|
Treinar um modelo de detecção por 10 épocas com uma taxa de aprendizado inicial de 0.01 |
|
```bash |
|
yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01 |
|
``` |
|
|
|
=== "Predict" |
|
|
|
Prever um vídeo do YouTube usando um modelo de segmentação pré-treinado com tamanho de imagem 320: |
|
```bash |
|
yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320 |
|
``` |
|
|
|
=== "Val" |
|
|
|
Validar um modelo de detecção pré-treinado com tamanho de lote 1 e tamanho de imagem 640: |
|
```bash |
|
yolo val model=yolov8n.pt data=coco128.yaml batch=1 imgsz=640 |
|
``` |
|
|
|
=== "Export" |
|
|
|
Exportar um modelo de classificação YOLOv8n para formato ONNX com tamanho de imagem 224 por 128 (nenhuma TAREFA necessária) |
|
```bash |
|
yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128 |
|
``` |
|
|
|
=== "Special" |
|
|
|
Executar comandos especiais para ver versão, visualizar configurações, rodar verificações e mais: |
|
```bash |
|
yolo help |
|
yolo checks |
|
yolo version |
|
yolo settings |
|
yolo copy-cfg |
|
yolo cfg |
|
``` |
|
|
|
!!! warning "Aviso" |
|
|
|
Argumentos devem ser passados como pares `arg=valor`, separados por um sinal de igual `=` e delimitados por espaços ` ` entre pares. Não use prefixos de argumentos `--` ou vírgulas `,` entre os argumentos. |
|
|
|
- `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` ❌ |
|
|
|
[Guia CLI](/../usage/cli.md){ .md-button .md-button--primary} |
|
|
|
## Use o Ultralytics com Python |
|
|
|
A interface Python do YOLOv8 permite uma integração tranquila em seus projetos Python, tornando fácil carregar, executar e processar a saída do modelo. Projetada com simplicidade e facilidade de uso em mente, a interface Python permite que os usuários implementem rapidamente detecção de objetos, segmentação e classificação em seus projetos. Isto torna a interface Python do YOLOv8 uma ferramenta inestimável para qualquer pessoa buscando incorporar essas funcionalidades em seus projetos Python. |
|
|
|
Por exemplo, os usuários podem carregar um modelo, treiná-lo, avaliar o seu desempenho em um conjunto de validação e até exportá-lo para o formato ONNX com apenas algumas linhas de código. Confira o [Guia Python](/../usage/python.md) para aprender mais sobre o uso do YOLOv8 dentro dos seus projetos Python. |
|
|
|
!!! example |
|
|
|
```python |
|
from ultralytics import YOLO |
|
|
|
# Criar um novo modelo YOLO do zero |
|
model = YOLO('yolov8n.yaml') |
|
|
|
# Carregar um modelo YOLO pré-treinado (recomendado para treinamento) |
|
model = YOLO('yolov8n.pt') |
|
|
|
# Treinar o modelo usando o conjunto de dados 'coco128.yaml' por 3 épocas |
|
results = model.train(data='coco128.yaml', epochs=3) |
|
|
|
# Avaliar o desempenho do modelo no conjunto de validação |
|
results = model.val() |
|
|
|
# Realizar detecção de objetos em uma imagem usando o modelo |
|
results = model('https://ultralytics.com/images/bus.jpg') |
|
|
|
# Exportar o modelo para formato ONNX |
|
success = model.export(format='onnx') |
|
``` |
|
|
|
[Guia Python](/../usage/python.md){.md-button .md-button--primary}
|
|
|