インストールUltralytics

をインストールまたは更新します。 ultralytics を実行して pip を使用する。 pip install -U ultralytics.の詳細については ultralytics パッケージをご覧ください。 Python パッケージインデックス (PyPI).

# Install the ultralytics package from PyPI
pip install ultralytics

をインストールすることもできます。 ultralytics から直接 Ultralytics GitHubリポジトリ.これは最新の開発版が欲しい場合に便利です。Gitコマンドラインツールがインストールされていることを確認してから、実行してください：

# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main

Condaはpipの代替パッケージ・マネージャーとして使用できる。詳細はAnacondaを参照。condaパッケージを更新するためのUltralytics フィードストックリポジトリはGitHubで利用可能です。

# Install the ultralytics package using conda
conda install -c conda-forge ultralytics

# Install all packages together using conda
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

Conda Dockerイメージ

Ultralytics Conda Dockerイメージは以下からも入手可能です。 ドッカーハブ.これらの画像は ミニコンダ3 を使い始める簡単な方法を提供する。 ultralytics Conda環境で。

# Set image name as a variable
t=ultralytics/ultralytics:latest-conda

# Pull the latest ultralytics image from Docker Hub
sudo docker pull $t

# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --gpus all $t            # all GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # specify GPUs

をクローンする。 Ultralytics GitHubリポジトリ もしあなたが開発に貢献することに興味があったり、最新のソースコードで実験したいのであれば。クローン後、ディレクトリに移動し、編集可能モードでパッケージをインストールしてください。 -e pipを使って。

# Clone the ultralytics repository
git clone https://github.com/ultralytics/ultralytics

# Navigate to the cloned directory
cd ultralytics

# Install the package in editable mode for development
pip install -e .

Dockerを使って ultralytics パッケージを隔離されたコンテナで使用することで、さまざまな環境で一貫したパフォーマンスを保証します。公式の ultralytics からの画像 ドッカー・ハブUltralyticsのDockerイメージは、ローカルインストールの複雑さを回避し、検証済みの作業環境にアクセスすることができます。Ultralytics 主に5つのDockerイメージをサポートしており、それぞれが高い互換性と効率性を目指して設計されています：

• Dockerfile: GPU トレーニング用に推奨されるイメージ。
• Dockerfile-arm64：ARM64 アーキテクチャに最適化されており、Raspberry Pi などの ARM64 ベースのプラットフォームへのデプロイに適しています。
• cpu:UbuntuベースのCPUバージョンで、推論やGPUのない環境に適しています。
• Dockerfile-jetson： NVIDIA Jetsonデバイス用に調整され、これらのプラットフォームに最適化されたGPU サポートを統合しています。
• Dockerfile-python ： Python と必要な依存関係だけの最小限のイメージで、軽量なアプリケーションや開発に最適です。
• Dockerfile-conda： Miniconda3をベースにcondaをインストールした。 ultralytics パッケージで提供される。

以下は、最新のイメージを入手して実行するためのコマンドである：

# Set image name as a variable
t=ultralytics/ultralytics:latest

# Pull the latest ultralytics image from Docker Hub
sudo docker pull $t

# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --gpus all $t            # all GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # specify GPUs

上記のコマンドは、Dockerコンテナを最新の ultralytics イメージその -it フラグは擬似TTYを割り当て、標準入力をオープンにしてコンテナとのやり取りを可能にする。コンテナの --ipc=host フラグは、IPC（プロセス間通信）名前空間をホストに設定する。これは、プロセス間でメモリーを共有するために不可欠である。これはプロセス間でメモリーを共有するために不可欠である。 --gpus all フラグは、コンテナ内で利用可能なすべてのGPUへのアクセスを可能にし、GPU 計算を必要とするタスクにとって非常に重要です。

注：コンテナ内でローカルマシンのファイルを操作するには、Dockerボリュームを使用してローカルディレクトリをコンテナにマウントする：

# Mount local directory to a directory inside the container
sudo docker run -it --ipc=host --gpus all -v /path/on/host:/path/in/container $t

交換 /path/on/host をローカルマシンのディレクトリパスで指定し /path/in/container をDockerコンテナ内の希望のパスに置き換える。

高度なDockerの使い方については、Ultralytics Docker Guideをご覧ください。

をインストールすることができます。 ultralytics pipの --no-deps フラグが必要です。この場合、必要な依存関係をすべて後から手動でインストールする必要がある。

1. インストール ultralytics コア

   pip install ultralytics --no-deps
   

2. 依存関係を手動でインストールする： にリストされているすべての必要なパッケージをインストールする必要があります。 pyproject.toml ファイルで、必要に応じてバージョンを置き換えたり変更したりする。ヘッドレスOpenCVの例：

   # Install other core dependencies
   pip install torch torchvision numpy matplotlib pandas pyyaml pillow psutil requests tqdm scipy seaborn ultralytics-thop
   
   # Install headless OpenCV instead of the default
   pip install opencv-python-headless
   

永続的なカスタム修正が必要な場合（常に opencv-python-headlessUltralytics 変更を加えることができます。 pyproject.toml または他のコードをフォークからインストールする。

1. Ultralytics GitHubリポジトリを自分のGitHubアカウントにフォークする。
2. クローン フォークを現地で

   git clone https://github.com/YOUR_USERNAME/ultralytics.git
   cd ultralytics
   

3. 新しいブランチを作る あなたの変更のために：

   git checkout -b custom-opencv
   

4. 修正 pyproject.toml: オープン pyproject.toml を含む行をテキストエディタで置き換える。 "opencv-python>=4.6.0" と "opencv-python-headless>=4.6.0" (必要に応じてバージョンを調整する）。
5. コミットしてプッシュする あなたの変更：

   git add pyproject.toml
   git commit -m "Switch to opencv-python-headless"
   git push origin custom-opencv
   

6. インストール を使用する。 git+https 構文で、あなたのブランチを指す：

   pip install git+https://github.com/YOUR_USERNAME/ultralytics.git@custom-opencv
   

この方法によって、この特定のURLからインストールするときはいつでも、カスタム依存セットが使用されるようになります。これを requirements.txt ファイル。

開発用の標準的な「Gitクローン」方法と同様に、リポジトリをローカルにクローンし、インストール前に依存ファイルを修正し、編集可能モードでインストールすることができる。

1. クローン Ultralytics リポジトリにあります：

   git clone https://github.com/ultralytics/ultralytics
   cd ultralytics
   

2. 修正 pyproject.toml: ファイルを編集して、必要な変更を加える。例えば sed (Linux/macOSの場合) またはテキストエディタで opencv-python と opencv-python-headless. 使用 sed (の正確な行を確認してください。 pyproject.toml 第一）：

   # Example: Replace the line starting with "opencv-python..."
   # Adapt the pattern carefully based on the current file content
   sed -i'' -e 's/^\s*"opencv-python>=.*",/"opencv-python-headless>=4.8.0",/' pyproject.toml
   

   または手動で編集する pyproject.toml 変更する "opencv-python>=... への "opencv-python-headless>=...".
3. インストール パッケージを編集可能モード (-e).Pipはあなたの修正した pyproject.toml で依存関係を解決し、インストールする：

   pip install -e .
   

このアプローチは、依存関係やビルド構成のローカルな変更をコミットする前にテストする場合や、特定の開発環境を設定する場合に便利である。

プロジェクトの依存関係を requirements.txt ファイルの中で、あなたのカスタムUltralytics フォークを直接指定することができます。これにより、プロジェクトをセットアップする人は、あなたの特定のバージョンとその変更された依存関係( opencv-python-headless).

1. 作成または編集 requirements.txt: カスタムフォークとブランチを指す行を追加する（方法2で準備したとおり）。
   要件.txt

   # Core dependencies
   numpy
   matplotlib
   pandas
   pyyaml
   Pillow
   psutil
   requests>=2.23.0
   tqdm
   torch>=1.8.0 # Or specific version/variant
   torchvision>=0.9.0 # Or specific version/variant
   
   # Install ultralytics from a specific git commit or branch
   # Replace YOUR_USERNAME and custom-branch with your details
   git+https://github.com/YOUR_USERNAME/ultralytics.git@custom-branch
   
   # Other project dependencies
   flask
   # ... etc
   

   注：あなたのカスタム ultralytics フォーク opencv-python-headless)は、pipがフォークの pyproject.toml.
2. インストール ファイルからの依存関係：

   pip install -r requirements.txt
   

この方法は、標準的なPython プロジェクトの依存関係管理ワークフローとシームレスに統合され、次のようなことが可能になります。 ultralytics をカスタマイズしたGitソースに追加します。

Ultralytics yolo コマンドは以下の構文を使う：

yolo TASK MODE ARGS

すべて見る ARGS 完全な 設定ガイド または yolo cfg CLI コマンドを使用する。

検出モデルを初期学習率0.01で10エポック学習させる：

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

事前に学習させたセグメンテーションモデルを使って、画像サイズ320のYouTube動画を予測する：

yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

バッチサイズ1、画像サイズ640で事前学習した検出モデルを検証する：

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

YOLOv11n分類モデルを、画像サイズ224x128のONNX フォーマットにエクスポートする（TASKは不要）：

yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128

YOLO11使用して、ビデオまたはライブストリーム内のオブジェクトをカウントします：

yolo solutions count show=True

yolo solutions count source="path/to/video.mp4" # specify video file path

YOLO11 ポーズモデルを使ってワークアウト・エクササイズをモニター：

yolo solutions workout show=True

yolo solutions workout source="path/to/video.mp4" # specify video file path

# Use keypoints for ab-workouts
yolo solutions workout kpts="[5, 11, 13]" # left side
yolo solutions workout kpts="[6, 12, 14]" # right side

YOLO11 使用して、指定されたキューまたはリージョン内のオブジェクトをカウントする：

yolo solutions queue show=True

yolo solutions queue source="path/to/video.mp4" # specify video file path

yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # configure queue coordinates

Streamlitを使って、ウェブブラウザ上でオブジェクト検出、インスタンス分割、姿勢推定を行う：

yolo solutions inference

yolo solutions inference model="path/to/model.pt" # use model fine-tuned with Ultralytics Python package

特別なコマンドを実行して、バージョンの確認、設定の表示、チェックの実行などを行う：

yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg
yolo solutions help

Python 設定を表示するには、次のようにインポートします。 settings オブジェクトから ultralytics モジュールを使用します。これらのコマンドで設定を印刷し、戻す：

from ultralytics import settings

# View all settings
print(settings)

# Return a specific setting
value = settings["runs_dir"]

コマンドラインインターフェイスでは、設定を確認することができます：

yolo settings

Python update メソッドを settings オブジェクトがある：

from ultralytics import settings

# Update a setting
settings.update({"runs_dir": "/path/to/runs"})

# Update multiple settings
settings.update({"runs_dir": "/path/to/runs", "tensorboard": False})

# Reset settings to default values
settings.reset()

コマンドラインインターフェースを使用して設定を変更するには

# Update a setting
yolo settings runs_dir='/path/to/runs'

# Update multiple settings
yolo settings runs_dir='/path/to/runs' tensorboard=False

# Reset settings to default values
yolo settings reset