Kurulum Ultralytics

Yükleyin veya güncelleyin ultralytics paketini pip kullanarak çalıştırarak pip install -U ultralytics. Daha fazla ayrıntı için ultralytics paketi için Python Paket İndeksi (PyPI).

# Install the ultralytics package from PyPI
pip install ultralytics

Ayrıca şunları da yükleyebilirsiniz ultralytics doğrudan Ultralytics GitHub deposu. En son geliştirme sürümünü istiyorsanız bu yararlı olabilir. Git komut satırı aracının yüklü olduğundan emin olun ve ardından 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 hammadde 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 Görüntüsü

Ultralytics Conda Docker görüntüleri şu adresten de edinilebilir DockerHub. Bu görüntüler Miniconda3 ve kullanmaya başlamak için basit bir yol sağlar ultralytics Conda ortamında.

# 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

Klonla Ultralytics GitHub deposu Geliştirmeye katkıda bulunmakla ilgileniyorsanız veya en son kaynak kodunu denemek istiyorsanız. Klonladıktan sonra dizine gidin ve paketi düzenlenebilir modda yükleyin -e pip kullanarak.

# 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 kullanın ultralytics paketini yalıtılmış bir kapsayıcıda sunarak çeşitli ortamlarda tutarlı performans sağlar. Resmi paketlerden birini seçerek ultralytics gelen görüntüler Docker Hubyerel kurulumun karmaşıklığından kaçınır ve doğrulanmış bir çalışma ortamına erişim elde edersiniz. Ultralytics , her biri yüksek uyumluluk ve verimlilik için tasarlanmış beş ana desteklenen Docker görüntüsü sunar:

• Dockerfile: GPU eğitim için önerilen görüntü.
• Dockerfile-arm64: ARM64 mimarisi için optimize edilmiştir, Raspberry Pi ve diğer ARM64 tabanlı platformlar gibi cihazlarda dağıtım için uygundur.
• cpu: Ubuntu tabanlı CPU sürümü, çıkarım ve GPU'ların olmadığı ortamlar için uygundur.
• Dockerfile-jetson: NVIDIA Jetson cihazları için uyarlanmıştır ve bu platformlar için optimize edilmiş GPU desteğini entegre eder.
• Dockerfile-python: Sadece Python ve gerekli bağımlılıkları içeren minimal görüntü, hafif uygulamalar ve geliştirme için idealdir.
• Dockerfile-conda: Miniconda3 temel alınarak conda kurulumu ile ultralytics Paket.

İşte en son görüntüyü almak ve çalıştırmak 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, bir Docker konteynerini en son ultralytics görüntü. Bu -it bayrakları bir pseudo-TTY atar ve stdin'i açık tutarak konteyner ile etkileşime izin verir. Bu --ipc=host bayrağı, süreçler arasında bellek paylaşımı için gerekli olan IPC (Inter-Process Communication) isim alanını ana bilgisayara ayarlar. Bu bayrak --gpus all bayrağı, GPU hesaplaması gerektiren görevler için çok önemli olan konteyner içindeki tüm mevcut GPU'lara erişim sağlar.

Not: Konteyner içinde yerel makinenizdeki dosyalarla çalışmak için, konteynere yerel bir dizin 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

Değiştirin /path/on/host ile yerel makinenizdeki dizin yolunu ve /path/in/container Docker konteynerinin içinde istenen yol ile.

Gelişmiş Docker kullanımı için Ultralytics Docker Kılavuzu'nu keşfedin.

Yükleyebilirsiniz ultralytics çekirdek paketini herhangi bir bağımlılık olmadan pip'in --no-deps bayrağı. Bu, daha sonra gerekli tüm bağımlılıkları manuel olarak yüklemenizi gerektirir.

1. Kurulum ultralytics Çekirdek:

   pip install ultralytics --no-deps
   

2. Bağımlılıkları manuel olarak yükleyin: Listelenen tüm gerekli paketleri yüklemeniz gerekir pyproject.toml dosyasını, sürümleri gerektiği gibi değiştirerek veya değiştirerek. 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 (her zaman opencv-python-headless), Ultralytics deposunu çatallayabilir, değişiklikler yapabilirsiniz pyproject.toml veya başka bir kod ekleyin ve çatalınızdan yükleyin.

1. Ultralytics GitHub deposunu kendi GitHub hesabınıza çatallayın.
2. Klon çatalınızı yerel olarak:

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

3. Yeni bir şube oluşturun değişiklikleriniz için:

   git checkout -b custom-opencv
   

4. Değiştirmek pyproject.toml: Açık pyproject.toml içeren satırı bir metin düzenleyicide değiştirin ve "opencv-python>=4.6.0" ile "opencv-python-headless>=4.6.0" (versiyonu gerektiği gibi ayarlayın).
5. Taahhüt edin ve itin Değişiklikleriniz:

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

6. Kurulum ile pip kullanarak git+https sözdizimi, şubenize işaret eder:

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

Bu yöntem, bu belirli URL'den yükleme yaptığınızda özel bağımlılık kümenizin kullanılmasını sağlar. Bunu kullanmak için Yöntem 4'e bakın requirements.txt Dosya.

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

1. Klon Ultralytics deposu:

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

2. Değiştirmek pyproject.toml: İstediğiniz değişiklikleri yapmak için dosyayı düzenleyin. Örneğin, şunu kullanın sed (Linux/macOS üzerinde) veya bir metin düzenleyicisi ile opencv-python ile opencv-python-headless. Kullanma sed (tam satırı doğrulayın pyproject.toml ilk):

   # 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 şimdi sizin değiştirdiğiniz pyproject.toml bağımlılıkları çözmek ve yüklemek için:

   pip install -e .
   

Bu yaklaşım, bağımlılıklarda veya derleme yapılandırmalarında yapılan yerel değişiklikleri işlemeden önce test etmek veya belirli geliştirme ortamları kurmak için kullanışlıdır.

Proje bağımlılıklarınızı bir requirements.txt dosyasında, özel Ultralytics çatalınızı doğrudan içinde belirtebilirsiniz. Bu, projeyi kuran herkesin değiştirilmiş bağımlılıkları ile sizin özel sürümünüzü almasını sağlar (örneğin opencv-python-headless).

1. Oluşturun veya düzenleyin requirements.txt: Özel çatalınıza ve dalınıza işaret eden bir satır ekleyin (Yöntem 2'de hazırlandığı gibi).
   gereksinimler.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 yazılımınız tarafından zaten gerekli olan bağımlılıkları listelemenize gerek yoktur ultralytics çatal (gibi opencv-python-headless) burada, pip bunları çatalın pyproject.toml.
2. Kurulum dosyadan bağımlılıklar:

   pip install -r requirements.txt
   

Bu yöntem, standart Python proje bağımlılık yönetimi iş akışlarıyla sorunsuz bir şekilde entegre olurken ultralytics özelleştirilmiş Git kaynağınıza.

Ultralytics yolo komutları aşağıdaki sözdizimini kullanır:

yolo TASK MODE ARGS

Tümünü görün ARGS tam olarak Yapılandırma Kılavuzu ya da yolo cfg CLI Komuta.

Başlangıç öğrenme oranı 0,01 olan bir algılama modelini 10 epok boyunca eğitin:

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

Görüntü boyutu 320'de önceden eğitilmiş bir segmentasyon modeli kullanarak bir YouTube videosunu tahmin edin:

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

Önceden eğitilmiş bir algılama modelini 1 parti boyutu ve 640 görüntü boyutu ile doğrulayın:

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

Bir YOLOv11n sınıflandırma modelini 224x128 görüntü boyutuyla ONNX formatına aktarın (TASK gerekmez):

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

YOLO11'i kullanarak bir videodaki 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 egzersizlerini 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 kuyruktaki 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 algılama, 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

Python 'u kullanarak ayarlarınızı görüntülemek için settings nesnesinden ultralytics modülünü kullanın. Bu komutlarla ayarları yazdırın ve iade edin:

from ultralytics import settings

# View all settings
print(settings)

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

Komut satırı arayüzü ile ayarlarınızı kontrol edebilirsiniz:

yolo settings

Python'da şunu kullanın update yöntemi üzerinde 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