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 or upgrade the ultralytics package from PyPI
pip install -U 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 imajları da şurada mevcuttur: Docker Hub. 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 --runtime=nvidia --gpus all $t            # all GPUs
sudo docker run -it --ipc=host --runtime=nvidia --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 --runtime=nvidia --gpus all $t            # all GPUs
sudo docker run -it --ipc=host --runtime=nvidia --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 --runtime=nvidia --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.

Kalıcı özel değişikliklere ihtiyacınız varsa, Ultralytics çatallayabilir, değişiklikleri 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 my-custom-branch
   

4. Değişikliklerinizi yapın için pyproject.toml veya gerektiğinde diğer dosyalar.
5. Commit ve push değişiklikleriniz:

   git add .
   git commit -m "My custom changes"
   git push origin my-custom-branch
   

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

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

Depoyu yerel olarak kopyalayın, gerektiği gibi dosyaları değiştirin ve düzenlenebilir modda yükleyin.

1. Klonla Ultralytics deposu:

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

2. Değişikliklerinizi yapın için pyproject.toml veya gerektiğinde diğer dosyalar.
3. Kurulum paketi düzenlenebilir modda (-e). Pip, sizin değiştirdiğiniz pyproject.toml bağımlılıkları çözmek için:

   pip install -e .
   

Bu yaklaşım, taahhüt etmeden önce yerel değişiklikleri geliştirmek veya test etmek için kullanışlıdır.

Özel bir Ultralytics requirements.txt dosyasını kullanarak ekibiniz genelinde tutarlı kurulumlar sağlayın.

# Install ultralytics from a specific git branch
git+https://github.com/YOUR_USERNAME/ultralytics.git@my-custom-branch

# Other project dependencies
flask

Dosyadan bağımlılıkları yükleyin:

pip install -r requirements.txt

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 YOLO11n sınıflandırma modelini ONNX formatına 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