Entraîne ton premier modèle YOLO·Configuration·Leçon 1/10

Leçondébutant

Installer Ultralytics

Installe Ultralytics dans un environnement propre, consulte le rapport des vérifications yolo pour confirmer ton appareil, puis valide la configuration avec une prédiction.

Une exécution d’entraînement qui bascule silencieusement sur le CPU peut prendre une journée au lieu d’une heure, et tu ne t’en rendras compte que trop tard. Une installation défectueuse se manifeste de la même façon : en plein milieu d’une leçon, sous la forme d’une erreur d’importation ou d’un GPU manquant.

Dix minutes consacrées à cette étape t’éviteront ces deux problèmes. Tu installeras le package ultralytics dans un nouvel environnement, liras le rapport yolo checks ligne par ligne et lanceras une première prédiction YOLO26 pour vérifier que tout fonctionne.

Résultat

Tu peux installer Ultralytics dans un environnement propre et déterminer, à partir d’une seule ligne de yolo checks, s’il s’exécutera sur CUDA, MPS ou CPU.

Parcours accéléré

Si tu connais déjà les bases, voici la version courte.

Crée et active un nouvel environnement virtuel avec Python 3.10 ou une version ultérieure.
Sur une machine NVIDIA, installe d’abord PyTorch avec CUDA, puis pip install ultralytics.
Exécute yolo checks et lis l’appareil indiqué à la fin de la première ligne.
Exécute yolo predict model=yolo26n.pt source=https://ultralytics.com/images/bus.jpg et ouvre l’image enregistrée.

Pratique

Créer un environnement propre#

Le package ultralytics s’installe avec Python 3.8 ou une version ultérieure, mais les versions actuelles de PyTorch nécessitent Python 3.10 ou une version ultérieure. Pour tes nouveaux projets, commence donc avec une version récente, comme la 3.12. Un nouvel environnement virtuel isole le package et ses dépendances de tes autres projets :

python -m venv .venv
source .venv/bin/activate        # Windows: .venv\Scripts\activate
python --version                 # 3.10 or newer

Le guide de démarrage rapide d’Ultralytics présente la même configuration avec Conda ou Docker, si tu préfères ces options.

Installe la bonne version de PyTorch, puis Ultralytics#

Sélecteur « Start Locally » de PyTorch : choix du système d’exploitation, du gestionnaire de packages, du langage et de la plateforme de calcul pour générer la commande d’installation pip correspondante

Ultralytics fonctionne avec PyTorch, et pip installe une version par défaut de PyTorch si aucune n’est déjà présente. Cette version par défaut est la principale cause des problèmes du type « pourquoi utilise-t-il mon CPU ? ». Choisis donc d’abord la bonne version :

Ta machine	À faire en premier	Ensuite
GPU NVIDIA	Installe la version CUDA depuis le sélecteur PyTorch qui correspond à ton pilote	`pip install ultralytics` le prend en charge
Mac avec puce Apple Silicon	Rien : la version par défaut inclut MPS	`pip install ultralytics`
CPU uniquement	Rien	`pip install ultralytics`

pip install ultralytics

Cette commande installe le package Python ultralytics, l’outil en ligne de commande yolo et des dépendances comme OpenCV et NumPy.

Lire le rapport `yolo checks`#

yolo checks affiche les versions et le matériel qu’Ultralytics utilisera. Voici une sortie réelle provenant d’un MacBook, raccourcie :

Ultralytics 8.4.175 🚀 Python-3.12.12 torch-2.14.1 CPU (Apple M5 Pro)
Setup complete ✅ (18 CPUs, 48.0 GB RAM, 594.4/926.3 GB disk)

OS                     macOS-27.0.1-arm64-arm-64bit
Python                 3.12.12
Install                pip
GPU                    None

Ligne par ligne :

Ultralytics 8.4.175 ... torch-2.14.1 : les versions du package et de PyTorch. Indique-les dans tout rapport de bogue.
CPU (Apple M5 Pro) : l’appareil utilisé lorsque tu ne fournis pas device. C’est la ligne importante.
Setup complete ✅ : l’installation fonctionne correctement.
GPU None : PyTorch ne détecte aucun GPU CUDA. C’est normal sur un Mac, mais problématique sur une machine NVIDIA.

Adapte la suite en fonction de l’appareil indiqué à la ligne 1 :

Tu n’as pas besoin d’un GPU pour ce cours : chaque exemple est conçu pour s’exécuter en quelques minutes sur le CPU d’un ordinateur portable. Un GPU devient important lorsque tu entraînes un modèle à taille réelle : l’exécution est alors souvent 10× plus rapide, voire davantage.

Vérifier avec une prédiction#

Une prédiction met toute la pile à l’épreuve : elle télécharge les poids nano YOLO26, récupère une image, exécute le modèle et enregistre une copie annotée.

yolo predict model=yolo26n.pt source=https://ultralytics.com/images/bus.jpg

image 1/1 bus.jpg: 640x480 4 persons, 1 bus, 20.1ms
Speed: 0.7ms preprocess, 20.1ms inference, 0.5ms postprocess per image at shape (1, 3, 640, 480)
Results saved to runs/detect/predict

640x480 4 persons, 1 bus : l’image a été redimensionnée à 640×480 pour le modèle, qui a détecté cinq objets.
20.1ms : le temps d’inférence sur ce CPU. Note le tien : c’est ta première référence de vitesse.
runs/detect/predict : emplacement de l’bus.jpg annotée. Relance la commande pour obtenir predict-2 : Ultralytics n’écrase jamais une exécution précédente.

Toutes les valeurs par défaut de cette commande — confiance, taille de l’image, emplacement d’enregistrement — figurent dans la référence de configuration.

Résoudre les problèmes courants#

Entraîner silencieusement sur le CPU

Symptôme : yolo checks affiche CPU et GPU None sur une machine équipée d’un GPU NVIDIA, et l’entraînement est désespérément lent. Cause : pip a installé une version de PyTorch réservée au CPU. Solution : désinstalle torch et torchvision, installe la version CUDA depuis le sélecteur PyTorch, puis relance yolo checks jusqu’à ce que la première ligne indique CUDA:0.

yolo : commande introuvable

Cause : l’environnement virtuel n’est pas activé dans ce terminal, donc le script yolo n’est pas dans ton PATH. Solution : exécute source .venv/bin/activate (ou l’équivalent Windows) dans chaque nouveau terminal avant d’utiliser yolo.

Symptôme	Cause	Correctif
`requirements: ... not found, attempting AutoUpdate` puis `No module named pip`	Environnement créé sans pip : Ultralytics ne peut donc pas installer automatiquement un package supplémentaire	Installe le package indiqué avec l’outil de ton environnement, par exemple `uv pip install lap`
Les téléchargements des poids ou du jeu de données expirent	Le réseau bloque les ressources de publication GitHub	Télécharge une fois `yolo26n.pt` depuis un autre emplacement et indique son chemin local
`PermissionError` écrit dans `runs/`	Le répertoire de travail est en lecture seule	`cd` dans un dossier de projet accessible en écriture

Pour tout autre problème, le guide des problèmes courants regroupe les solutions connues, et les tickets fermés dans le dépôt Ultralytics contiennent généralement la réponse : consulte-les avant d’en ouvrir un nouveau.

Essayer

Dans un nouvel environnement, installe Ultralytics, exécute yolo checks, puis lance la prédiction du bus. Fournis un relevé de configuration de trois lignes : tes versions d’Ultralytics et de PyTorch, l’appareil indiqué sur la première ligne de yolo checks (et, sur une machine NVIDIA, la preuve que la ligne indique CUDA:0), ainsi que le temps d’inférence signalé pour bus.jpg.

Terminé lorsque

Tu as terminé la leçon lorsque tous les éléments suivants sont réunis.

yolo checks se termine par Setup complete ✅ et indique l’appareil attendu.
runs/detect/predict/bus.jpg existe et contient quatre personnes ainsi qu’un bus encadrés.
Tu as noté tes versions, ton appareil et le temps d’inférence bus.jpg.

Afficher la solution

python -m venv .venv
source .venv/bin/activate
# NVIDIA only: install the CUDA PyTorch build from pytorch.org first
pip install ultralytics
yolo checks
yolo predict model=yolo26n.pt source=https://ultralytics.com/images/bus.jpg

Versions: Ultralytics 8.4.175, torch 2.14.1
Device:   CPU (Apple M5 Pro); use device=mps for the Apple GPU
bus.jpg:  20.1 ms inference at 640x480

Sur le CPU d’un ordinateur portable, compte environ 10–60 ms pour bus.jpg ; sur un GPU NVIDIA récent, quelques millisecondes. Si yolo checks indique le mauvais appareil, corrige PyTorch avant de continuer.

Et ensuite ?

L’environnement fonctionne. Ensuite, exécute la même prédiction depuis Python et apprends à lire chaque champ renvoyé par le modèle.

Connecte-toi pour enregistrer ta progression

Get Started