Ultralytics'i Kurun

Şunu kurun veya güncelleyin: ultralytics komutunu çalıştırarak pip kullanarak pip install -U ultralytics. Hakkında daha fazla bilgi için ultralytics paketi için, python Paket Dizini (PyPI).

# Install the ultralytics package from PyPI
pip install ultralytics

Şunu da yükleyebilirsiniz: ultralytics doğrudan Ultralytics GitHub deposunu. Bu, en son geliştirme sürümünü istediğinizde yararlı olabilir. Git komut satırı aracının kurulu olduğundan emin olun ve ardından şunu çalıştırın:

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

Conda, pip'e alternatif bir paket yöneticisi olarak kullanılabilir. Daha fazla ayrıntı için Anaconda'yı ziyaret edin. Conda paketini güncellemek için Ultralytics feedstock deposu GitHub'da mevcuttur.

# 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 İmajı

Ultralytics Conda Docker görselleri de şuradan edinilebilir: DockerHub. Bu görseller Miniconda3 ve kullanmaya başlamak için basit bir yol sağlar ultralytics 'i bir Conda ortamında kullanmaya başlamak için basit bir yoldur.

# 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

Geliştirmeye katkıda bulunmak veya en son kaynak koduyla denemeler yapmak istiyorsanız Ultralytics GitHub deposunu geliştirmeye katkıda bulunmak veya en son kaynak koduyla denemeler yapmak istiyorsanız. Klonladıktan sonra, dizine gidin ve paketi düzenlenebilir modda kurun -e pip kullanarak kurun.

# 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 .

Çalıştırmak için Docker'ı kullanın ultralytics paketi izole bir konteynerde, çeşitli ortamlarda tutarlı performans sağlar. Resmi olanlardan birini seçerek ultralytics şuradaki resimler: Docker Hub, yerel kurulumun karmaşıklığından kaçınır ve doğrulanmış bir çalışma ortamına erişim kazanırsınız. Ultralytics, her biri yüksek uyumluluk ve verimlilik için tasarlanmış beş ana desteklenen Docker görüntüsü sunar:

• Dockerfile: Eğitim için önerilen GPU imajı.
• Dockerfile-arm64: Raspberry Pi ve diğer ARM64 tabanlı platformlar gibi cihazlarda dağıtım için uygun, ARM64 mimarisi için optimize edilmiştir.
• Dockerfile-cpu: Ubuntu tabanlı, yalnızca CPU sürümü, çıkarım ve GPU'suz ortamlar için uygundur.
• Dockerfile-jetson: Bu platformlar için optimize edilmiş GPU desteği entegre edilerek NVIDIA Jetson cihazları için özel olarak tasarlanmıştır.
• Dockerfile-python: Yalnızca Python ve gerekli bağımlılıkları içeren minimal imaj, hafif uygulamalar ve geliştirme için idealdir.
• Dockerfile-conda: Miniconda3 tabanlı, conda kurulumu ile birlikte ultralytics paketi.

İşte en son görüntüyü almak ve yürütmek için komutlar:

# 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

Yukarıdaki komut, en son sürümle bir Docker konteyneri başlatır ultralytics imajı. -it bayrakları, sözde bir TTY atar ve stdin'i açık tutarak kapsayıcı ile etkileşime izin verir. Şununla --ipc=host işareti, IPC (Süreçler Arası İletişim) ad alanını ana makineye ayarlar; bu, süreçler arasında bellek paylaşımı için önemlidir. --gpus all bayrağı, GPU hesaplaması gerektiren görevler için çok önemli olan konteyner içindeki tüm mevcut GPU'lara erişimi sağlar.

Not: Kapsayıcı içindeki yerel makinenizdeki dosyalarla çalışmak için, yerel bir dizini kapsayıcıya bağlamak üzere Docker birimlerini kullanın:

# 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

Değiştir /path/on/host yerel makinenizdeki dizin yoluyla ve /path/in/container Docker kapsayıcısı içindeki istenen yolla.

Gelişmiş Docker kullanımı için Ultralytics Docker Kılavuzu'nu inceleyin.

Şunu yükleyebilirsiniz: ultralytics pip'in kullanarak herhangi bir bağımlılık olmadan çekirdek paketi --no-deps işareti. Bu, daha sonra gerekli tüm bağımlılıkları manuel olarak yüklemenizi gerektirir.

1. Kurulum ultralytics çekirdek:

   pip install ultralytics --no-deps
   

2. Bağımlılıkları manuel olarak kurun: içinde listelenen gerekli tüm paketleri yüklemeniz gerekir pyproject.toml dosyası, gerektiğinde sürümleri değiştirerek veya düzenleyerek. Başsız OpenCV örneği için:

   # 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
   

Kalıcı özel değişikliklere ihtiyacınız varsa (örneğin, her zaman şunu kullanmak gibi: opencv-python-headless), Ultralytics deposunu çatallayabilir, üzerinde değişiklikler yapabilirsiniz pyproject.toml veya başka bir kod ve çatalınızdan yükleyin.

1. Kendi GitHub hesabınıza Ultralytics GitHub deposunu Fork edin.
2. Klonla fork'unuzu yerel olarak:

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

3. Yeni bir dal oluştur değişiklikleriniz için:

   git checkout -b custom-opencv
   

4. Değiştir pyproject.toml: Aç pyproject.toml bir metin düzenleyicide açın ve şu satırı içeren satırı değiştirin: "opencv-python>=4.6.0" ile "opencv-python-headless>=4.6.0" (gerektiğinde sürümü ayarlayın).
5. Commit ve push değişiklikleriniz:

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

6. Kurulum pip'i şununla kullanma git+https sözdizimi, şubenize işaret ederek:

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

Bu yöntem, bu belirli URL'den her yükleme yaptığınızda özel bağımlılık kümenizin kullanılmasını sağlar. Bunu bir içinde kullanmak için 4. Yönteme bakın requirements.txt dosyası.

Geliştirme için standart "Git Clone" yöntemine benzer şekilde, depoyu yerel olarak klonlayabilir, bağımlılık dosyalarını kurulumdan önce değiştirebilir ve ardından düzenlenebilir modda kurabilirsiniz.

1. Klonla Ultralytics deposu:

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

2. Değiştir pyproject.toml: İstediğiniz değişiklikleri yapmak için dosyayı düzenleyin. Örneğin, şunu kullanın: sed (Linux/macOS'ta) veya bir metin düzenleyici kullanarak şunu değiştirin: opencv-python ile opencv-python-headless. Kullanarak sed (içindeki tam satırı doğrulayın pyproject.toml birincisi):

   # 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
   

   Veya manuel olarak düzenleyin pyproject.toml değiştirmek için "opencv-python>=... için "opencv-python-headless>=...".
3. Kurulum paketi düzenlenebilir modda (-e). Pip artık değiştirilmiş sürümünüzü kullanacak pyproject.toml bağımlılıkları çözümlemek ve yüklemek için:

   pip install -e .
   

Bu yaklaşım, bağımlılıklarda veya yapılandırma derlemelerinde yapılan yerel değişiklikleri kaydetmeden önce test etmek veya belirli geliştirme ortamları kurmak için kullanışlıdır.

Proje bağımlılıklarınızı bir kullanarak yönetiyorsanız requirements.txt dosyasında, özel Ultralytics fork'unuzu doğrudan belirtebilirsiniz. Bu, projeyi kuran herkesin, değiştirilmiş bağımlılıklarıyla (örneğin, opencv-python-headless).

1. Oluştur veya düzenle requirements.txt: Özel çatalınıza ve dalınıza işaret eden bir satır ekleyin (Yöntem 2'de hazırlandığı gibi).
   requirements.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
   

   Not: Özel uygulamanız tarafından zaten gerekli olan bağımlılıkları listelemenize gerek yoktur. ultralytics fork (gibi opencv-python-headless) buraya, çünkü pip bunları fork'un temelinde kuracaktır pyproject.toml.
2. Kurulum dosyasındaki bağımlılıklar:

   pip install -r requirements.txt
   

Bu yöntem, standart python proje bağımlılık yönetimi iş akışlarıyla sorunsuz bir şekilde entegre olurken, şuna sabitlemenize olanak tanır: ultralytics özelleştirilmiş Git kaynağınıza.

Ultralytics yolo komutları aşağıdaki sözdizimini kullanır:

yolo TASK MODE ARGS

Tümünü ARGS tamamında görün Yapılandırma Kılavuzu veya yolo cfg CLI komutuyla.

0.01'lik bir başlangıç öğrenme oranıyla 10 epok için bir algılama modeli eğitin:

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

320 görüntü boyutunda, önceden eğitilmiş bir segmentasyon modeli kullanarak bir YouTube videosunu tahmin edin:

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

1 yığın boyutu ve 640 görüntü boyutu ile önceden eğitilmiş bir algılama modelini doğrulayın:

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

224x128 görüntü boyutuna sahip bir YOLOv11n sınıflandırma modelini ONNX biçimine aktarın (GÖREV gerekli değildir):

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

YOLO11 kullanarak bir video veya canlı yayındaki nesneleri sayın:

yolo solutions count show=True

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

YOLO11 poz modelini kullanarak egzersiz hareketlerini izleyin:

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

Belirlenmiş bir kuyruk veya bölgedeki nesneleri saymak için YOLO11'i kullanın:

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 kullanarak bir web tarayıcısında nesne tespiti, örnek segmentasyonu veya poz tahmini gerçekleştirin:

yolo solutions inference

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

Sürümü görmek, ayarları görüntülemek, kontrolleri çalıştırmak ve daha fazlası için özel komutlar çalıştırın:

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

Ayarlarınızı görüntülemek için python'ı kullanın: settings modülünden nesne. Aşağıdaki komutları kullanarak ayarları yazdırın ve döndürün: ultralytics modülü. Bu komutlarla ayarları yazdırın ve döndürün:

from ultralytics import settings

# View all settings
print(settings)

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

Komut satırı arayüzü, ayarlarınızı şu şekilde kontrol etmenizi sağlar:

yolo settings

Python'da şunu kullanın: update yöntemini çağırın settings nesne:

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()

Komut satırı arayüzünü kullanarak ayarları değiştirmek için:

# 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