تخطي إلى المحتوى

واجهة سطر الأوامر

توفر واجهة سطر الأوامر (CLI) الخاصة بـ Ultralytics طريقة مباشرة لاستخدام نماذج Ultralytics YOLO دون الحاجة إلى بيئة Python. تدعم واجهة سطر الأوامر (CLI) تشغيل مهام مختلفة مباشرة من الجهاز الطرفي باستخدام yolo الأمر، لا يتطلب أي تخصيص أو كود Python.



شاهد: إتقان Ultralytics YOLO: واجهة سطر الأوامر CLI

مثال

تستخدم Ultralytics yolo الأوامر بناء الجملة التالي: 

yolo TASK MODE ARGS

حيث: - TASK (اختياري) هي واحدة من [detect, segment, classify, pose, obb] - MODE (مطلوب) هو واحد من [train, val, predict, export, track, benchmark] - ARGS (اختياري) أي عدد من القيم المخصصة arg=value أزواج مثل imgsz=320 التي تتجاوز الإعدادات الافتراضية.

اطلع على جميع ARGS في دليل التهيئة الكامل أو مع yolo cfg.

تدريب نموذج الكشف لـ 10 حقبات بمعدل تعلم أولي قدره 0.01:

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

توقع باستخدام نموذج تجزئة مُدرَّب مسبقًا على فيديو YouTube بحجم صورة 320:

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

التحقق من صحة نموذج الكشف المدرب مسبقًا بحجم دفعة 1 وحجم صورة 640:

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

تصدير نموذج تصنيف YOLO إلى تنسيق ONNX بحجم صورة 224 × 128 (لا يلزم وجود TASK):

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

قم بتشغيل أوامر خاصة لعرض الإصدار والإعدادات وتشغيل الفحوصات والمزيد:

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

حيث:

  • TASK (اختياري) هو واحد من [detect, segment, classify, pose, obb]. إذا لم يتم تمريره بشكل صريح، سيحاول YOLO استنتاج TASK من نوع النموذج.
  • MODE (مطلوب) هو واحد من [train, val, predict, export, track, benchmark]
  • ARGS (اختياري) أي عدد من القيم المخصصة arg=value أزواج مثل imgsz=320 التي تتجاوز القيم الافتراضية. للحصول على قائمة كاملة من القيم المتاحة، ARGS، راجع التكوين و defaults.yaml.

تحذير

يجب تمرير الوسائط كـ arg=val ، مفصولة بعلامة يساوي = ومحددة بمسافات بين الأزواج. لا تستخدم -- بادئات الوسائط أو الفواصل , بين الوسائط.

  • yolo predict model=yolo11n.pt imgsz=640 conf=0.25   ✅
  • yolo predict model yolo11n.pt imgsz 640 conf 0.25   ❌
  • yolo predict --model yolo11n.pt --imgsz 640 --conf 0.25   ❌

تدريب

تدريب YOLO على مجموعة بيانات COCO8 لـ 100 حقبة بحجم صورة 640. للحصول على قائمة كاملة بالوسائط المتاحة، راجع صفحة التكوين.

مثال

ابدأ تدريب YOLO11n على COCO8 لـ 100 حقبة بحجم صورة 640:

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

استئناف جلسة تدريب متوقفة:

yolo detect train resume model=last.pt

التحقق

التحقق من صحة الدقة للنموذج المدرب على مجموعة بيانات COCO8. لا توجد حاجة إلى وسائط حيث أن model يحتفظ بالتدريب الخاص به data والوسائط كسمات للنموذج.

مثال

التحقق من صحة نموذج YOLO11n رسمي:

yolo detect val model=yolo11n.pt

التحقق من صحة نموذج مُدرَّب خصيصًا:

yolo detect val model=path/to/best.pt

توقع

استخدم نموذجًا مُدرَّبًا لتشغيل التنبؤات على الصور.

مثال

توقع باستخدام نموذج YOLO11n رسمي:

yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

توقع باستخدام نموذج مخصص:

yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'

تصدير

تصدير نموذج إلى تنسيق مختلف مثل ONNX أو CoreML.

مثال

تصدير نموذج YOLO11n رسمي إلى تنسيق ONNX:

yolo export model=yolo11n.pt format=onnx

تصدير نموذج مُدرَّب خصيصًا إلى تنسيق ONNX:

yolo export model=path/to/best.pt format=onnx

توجد تنسيقات تصدير Ultralytics المتاحة في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام format الوسيطة، أي format='onnx' أو format='engine'.

التنسيق format الوسيطة النموذج البيانات الوصفية الوسائط
PyTorch - yolo11n.pt ✅ -
TorchScript torchscript yolo11n.torchscript ✅ imgsz, half, optimize, nms, batch, device
ONNX onnx yolo11n.onnx ✅ imgsz, half, dynamic, simplify, opset, nms, batch, device
OpenVINO openvino yolo11n_openvino_model/ ✅ imgsz, half, dynamic, int8, nms, batch, data, fraction, device
TensorRT engine yolo11n.engine ✅ imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device
CoreML coreml yolo11n.mlpackage ✅ imgsz, half, int8, nms, batch, device
TF SavedModel saved_model yolo11n_saved_model/ ✅ imgsz, keras, int8, nms, batch, device
TF GraphDef pb yolo11n.pb ❌ imgsz, batch, device
TF Lite tflite yolo11n.tflite ✅ imgsz, half, int8, nms, batch, data, fraction, device
TF Edge TPU edgetpu yolo11n_edgetpu.tflite ✅ imgsz, device
TF.js tfjs yolo11n_web_model/ ✅ imgsz, half, int8, nms, batch, device
PaddlePaddle paddle yolo11n_paddle_model/ ✅ imgsz, batch, device
MNN mnn yolo11n.mnn ✅ imgsz, batch, int8, half, device
NCNN ncnn yolo11n_ncnn_model/ ✅ imgsz, half, batch, device
IMX500 imx yolo11n_imx_model/ ✅ imgsz, int8, data, fraction, device
RKNN rknn yolo11n_rknn_model/ ✅ imgsz, batch, name, device

اطلع على التفاصيل الكاملة export تفاصيل حول تصدير التنبؤ.

تجاوز الوسائط الافتراضية

تجاوز الوسائط الافتراضية عن طريق تمريرها في سطر الأوامر CLI كـ arg=value أزواج.

نصيحة

تدريب نموذج الكشف لـ 10 حقبات بمعدل تعلم قدره 0.01:

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

توقع باستخدام نموذج تجزئة مُدرَّب مسبقًا على فيديو YouTube بحجم صورة 320:

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

التحقق من صحة نموذج الكشف المدرب مسبقًا بحجم دفعة 1 وحجم صورة 640:

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

تجاوز ملف التكوين الافتراضي

تجاوز default.yaml ملف التكوين بالكامل عن طريق تمرير ملف جديد مع cfg وسيطة، مثل cfg=custom.yaml.

للقيام بذلك، قم أولاً بإنشاء نسخة من default.yaml في دليل العمل الحالي الخاص بك مع yolo copy-cfg الأمر، الذي ينشئ default_copy.yaml ملف.

يمكنك بعد ذلك تمرير هذا الملف كـ cfg=default_copy.yaml بالإضافة إلى أي وسائط إضافية، مثل imgsz=320 في هذا المثال:

مثال

yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320

أوامر الحلول

توفر Ultralytics حلولاً جاهزة للاستخدام لتطبيقات رؤية الكمبيوتر الشائعة من خلال CLI. تعمل هذه الحلول على تبسيط تنفيذ المهام المعقدة مثل عد الكائنات ومراقبة التمرين وإدارة قائمة الانتظار.

مثال

عدّ الكائنات في فيديو أو بث مباشر:

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

مراقبة تمارين التمرين باستخدام نموذج الوضعية:

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

عدّ الكائنات في قائمة انتظار أو منطقة محددة:

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

إجراء الكشف عن الكائنات، أو تجزئة المثيلات، أو تقدير الوضعية في متصفح الويب باستخدام Streamlit:

yolo solutions inference
yolo solutions inference model="path/to/model.pt" # use custom model

عرض الحلول المتاحة وخياراتها:

yolo solutions help

لمزيد من المعلومات حول حلول Ultralytics، قم بزيارة صفحة الحلول.

الأسئلة الشائعة

كيف يمكنني استخدام واجهة سطر الأوامر (CLI) الخاصة بـ Ultralytics YOLO لتدريب النماذج؟

لتدريب نموذج باستخدام CLI، قم بتنفيذ أمر سطر واحد في الجهاز الطرفي. على سبيل المثال، لتدريب نموذج كشف لعدد 10 حقب (epochs) مع معدل تعلم (learning rate) يبلغ 0.01، قم بتشغيل:

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

يستخدم هذا الأمر train مع وسائط معينة. للحصول على قائمة كاملة بالوسائط المتاحة، ارجع إلى دليل التهيئة الكامل.

ما هي المهام التي يمكنني تنفيذها باستخدام Ultralytics YOLO CLI؟

تدعم واجهة سطر الأوامر (CLI) الخاصة بـ Ultralytics YOLO مهامًا متنوعة، بما في ذلك الكشف عن الأجسام، والتجزئة، والتصنيف، وتقدير الوضعية، والكشف عن الصناديق المحيطة الموجهة. يمكنك أيضًا إجراء عمليات مثل:

  • تدريب نموذج: تشغيل yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
  • تشغيل التنبؤات: استخدم yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
  • تصدير نموذج: تنفيذ yolo export model=<model.pt> format=<export_format>.
  • استخدم الحلول: تشغيل yolo solutions <solution_name> للتطبيقات الجاهزة.

خصص كل مهمة باستخدام وسائط مختلفة. للحصول على تفاصيل حول بناء الجملة والأمثلة، راجع الأقسام الخاصة مثل التدريب، و التنبؤ، و التصدير.

كيف يمكنني التحقق من دقة نموذج YOLO المدرب باستخدام CLI؟

للتحقق من صحة الدقة، استخدم الـ val على سبيل المثال، للتحقق من نموذج اكتشاف مُدرَّب مسبقًا باستخدام حجم الدفعة 1 وحجم صورة 640، قم بتشغيل:

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

يقوم هذا الأمر بتقييم النموذج على مجموعة البيانات المحددة ويوفر مقاييس الأداء مثل mAP و الدقة و الاسترجاع. لمزيد من التفاصيل، راجع قسم Val.

ما هي التنسيقات التي يمكنني تصدير نماذج YOLO إليها باستخدام CLI؟

يمكنك تصدير نماذج YOLO إلى تنسيقات مختلفة بما في ذلك ONNX و TensorRT و CoreML و TensorFlow والمزيد. على سبيل المثال، لتصدير نموذج إلى تنسيق ONNX، قم بتشغيل:

yolo export model=yolo11n.pt format=onnx

يدعم أمر التصدير العديد من الخيارات لتحسين النموذج الخاص بك لبيئات نشر محددة. للحصول على تفاصيل كاملة حول جميع تنسيقات التصدير المتاحة والمعلمات الخاصة بها، قم بزيارة صفحة Export.

كيف يمكنني استخدام الحلول مسبقة الإنشاء في Ultralytics CLI؟

توفر Ultralytics حلولاً جاهزة للاستخدام من خلال solutions الأمر. على سبيل المثال، لحساب الكائنات في مقطع فيديو:

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

تتطلب هذه الحلول الحد الأدنى من التكوين وتوفر وظائف فورية لمهام رؤية الكمبيوتر الشائعة. لرؤية جميع الحلول المتاحة، قم بتشغيل yolo solutions help. لكل حل معلمات محددة يمكن تخصيصها لتناسب احتياجاتك.



📅 تم الإنشاء منذ سنة واحدة ✏️ تم التحديث منذ 4 أشهر
glenn-jocher ambitious-octopus Burhan-Q jk4e UltralyticsAssistant MatthewNoyce RizwanMunawar AyushExel Laughing-q nihui

تعليقات