- **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。
Watch: Ultralytics YOLO Quick Start Guide
## 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。