Interface de linha de comando
A interface de linha de comandosCLI) Ultralytics proporciona uma forma direta de utilizar os modelosYOLO Ultralytics sem necessitar de um ambiente Python . A CLI suporta a execução de várias tarefas diretamente a partir do terminal utilizando o comando yolo não requerendo qualquer personalização ou código Python .
Ver: Masterização Ultralytics YOLO : CLI
Exemplo
Ultralytics yolo utilizam a seguinte sintaxe:
yolo TASK MODE ARGS
Onde:
- TASK (opcional) é um de [detetar, segmentar, classificar, posar, obb]
- MODE (obrigatório) é um de [train, val, predict, export, track, benchmark]
- ARGS (opcional) são qualquer número de arg=value pares como imgsz=320 que se sobrepõem às predefinições.
Ver todos os ARGS na íntegra Guia de configuração ou com yolo cfg.
Treinar um modelo de deteção para 10 épocas com uma taxa de aprendizagem inicial de 0,01:
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Prever utilizando um modelo de segmentação pré-treinado num vídeo do YouTube com um tamanho de imagem de 320:
yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
Validar um modelo de deteção pré-treinado com um tamanho de lote de 1 e um tamanho de imagem de 640:
yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
Exportar um modelo de classificação YOLO para o formato ONNX com o tamanho de imagem 224x128 (não é necessário TASK):
yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128
Execute comandos especiais para ver a versão, as definições, efetuar verificações e muito mais:
yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg
Onde:
TASK(opcional) é um dos[detect, segment, classify, pose, obb]. Se não for explicitamente passado, YOLO tentará inferir oTASKdo tipo de modelo.MODE(obrigatório) é um dos[train, val, predict, export, track, benchmark]ARGS(opcional) são qualquer número dearg=valuepares comoimgsz=320que se sobrepõem às predefinições. Para obter uma lista completa dasARGS, ver o Configuração página edefaults.yaml.
Aviso
Os argumentos devem ser passados como arg=val separados por um sinal de igual = e delimitado por espaços entre pares. Não utilizar -- prefixos de argumentos ou vírgulas , entre argumentos.
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❌
Comboio
Treina YOLO no conjunto de dados COCO8 para 100 épocas com o tamanho de imagem 640. Para obter uma lista completa dos argumentos disponíveis, consulte a página Configuração.
Exemplo
Iniciar o treino do YOLO11n no COCO8 para 100 épocas com o tamanho de imagem 640:
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
Retomar uma sessão de formação interrompida:
yolo detect train resume model=last.pt
Val
Validar o exatidão do modelo treinado no conjunto de dados COCO8. Não são necessários argumentos, uma vez que o model mantém a sua formação data e argumentos como atributos do modelo.
Exemplo
Validar um modelo oficial YOLO11n:
yolo detect val model=yolo11n.pt
Validar um modelo treinado de forma personalizada:
yolo detect val model=path/to/best.pt
Prever
Utilize um modelo treinado para executar previsões em imagens.
Exemplo
Prever com um modelo oficial YOLO11n:
yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
Prever com um modelo personalizado:
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'
Exportação
Exportar um modelo para um formato diferente, como ONNX ou CoreML.
Exemplo
Exportar um modelo oficial YOLO11n para o formato ONNX :
yolo export model=yolo11n.pt format=onnx
Exportar um modelo treinado de forma personalizada para o formato ONNX :
yolo export model=path/to/best.pt format=onnx
Os formatos de exportação Ultralytics disponíveis encontram-se na tabela abaixo. Pode exportar para qualquer formato utilizando a função format argumento, ou seja, format='onnx' ou format='engine'.
| Formato | format Argumento |
Modelo | Metadados | Argumentos |
|---|---|---|---|---|
| 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 Leve | tflite |
yolo11n.tflite |
✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF Borda 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 |
yolov8n_imx_model/ |
✅ | imgsz, int8, data, fraction, device |
| RKNN | rknn |
yolo11n_rknn_model/ |
✅ | imgsz, batch, name, device |
Ver completo export pormenores sobre o Exportação página.
Substituição de argumentos predefinidos
Substitua os argumentos padrão passando-os na CLI como arg=value pares.
Dica
Treinar um modelo de deteção para 10 épocas com uma taxa de aprendizagem de 0,01:
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Prever utilizando um modelo de segmentação pré-treinado num vídeo do YouTube com um tamanho de imagem de 320:
yolo segment predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
Validar um modelo de deteção pré-treinado com um tamanho de lote de 1 e um tamanho de imagem de 640:
yolo detect val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
Substituir o ficheiro de configuração predefinido
Substituir o default.yaml ficheiro de configuração inteiramente, passando um novo ficheiro com o cfg argumento, tal como cfg=custom.yaml.
Para isso, primeiro crie uma cópia do default.yaml no seu diretório de trabalho atual com o yolo copy-cfg que cria um comando default_copy.yaml ficheiro.
Pode então passar este ficheiro como cfg=default_copy.yaml juntamente com quaisquer argumentos adicionais, como imgsz=320 neste exemplo:
Exemplo
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320
Comandos de soluções
Ultralytics fornece soluções prontas a utilizar para aplicações comuns de visão por computador através da CLI. Essas soluções simplificam a implementação de tarefas complexas, como contagem de objetos, monitoramento de exercícios e gerenciamento de filas.
Exemplo
Contar objectos num vídeo ou numa transmissão em direto:
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file path
Monitorizar os exercícios de treino utilizando um modelo de pose:
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
Contar objectos numa fila ou região designada:
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
Efectue a deteção de objectos, a segmentação de instâncias ou a estimativa de pose num navegador Web utilizando o Streamlit:
yolo solutions inference
yolo solutions inference model="path/to/model.pt" # use custom model
Ver as soluções disponíveis e as suas opções:
yolo solutions help
Para mais informações sobre as soluções Ultralytics , visite a página Soluções.
FAQ
Como é que utilizo a interface de linha de comandosCLI) Ultralytics YOLO para a formação de modelos?
Para treinar um modelo usando a CLI, execute um comando de linha única no terminal. Por exemplo, para treinar um modelo de deteção para 10 épocas com uma taxa de aprendizagem de 0,01, execute:
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Este comando utiliza o train com argumentos específicos. Para obter uma lista completa dos argumentos disponíveis, consulte a secção Guia de configuração.
Que tarefas posso realizar com o Ultralytics YOLO CLI?
O Ultralytics YOLO CLI suporta várias tarefas, incluindo deteção, segmentação, classificação, estimativa de pose e deteção de caixa delimitadora orientada. Também é possível executar operações como:
- Treinar um modelo: Executar
yolo train data=<data.yaml> model=<model.pt> epochs=<num>. - Previsões de corrida: Utilizar
yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>. - Exportar um modelo: Executar
yolo export model=<model.pt> format=<export_format>. - Utilizar soluções: Executar
yolo solutions <solution_name>para aplicações prontas a utilizar.
Personalize cada tarefa com vários argumentos. Para obter exemplos e sintaxe detalhada, consulte as respectivas secções como Treinar, Prever e Exportar.
Como posso validar a precisão de um modelo YOLO treinado utilizando a CLI?
Para validar um modelo exatidãoutilizar o val modo. Por exemplo, para validar um modelo de deteção pré-treinado com um tamanho do lote de 1 e um tamanho de imagem de 640, executar:
yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
Esse comando avalia o modelo no conjunto de dados especificado e fornece métricas de desempenho como mAP, precisão e recuperação. Para obter mais detalhes, consulte a secção Val.
Para que formatos posso exportar os meus modelos YOLO utilizando o CLI?
É possível exportar modelos YOLO para vários formatos, incluindo ONNX, TensorRT, CoreML, TensorFlow e muito mais. Por exemplo, para exportar um modelo para o formato ONNX , execute:
yolo export model=yolo11n.pt format=onnx
O comando de exportação suporta várias opções para otimizar o seu modelo para ambientes de implementação específicos. Para obter detalhes completos sobre todos os formatos de exportação disponíveis e seus parâmetros específicos, visite a página Exportar.
Como é que utilizo as soluções pré-construídas no Ultralytics CLI?
Ultralytics fornece soluções prontas a utilizar através da solutions comando. Por exemplo, para contar objectos num vídeo:
yolo solutions count source="path/to/video.mp4"
Essas soluções exigem configuração mínima e fornecem funcionalidade imediata para tarefas comuns de visão computacional. Para ver todas as soluções disponíveis, execute yolo solutions help. Cada solução tem parâmetros específicos que podem ser personalizados de acordo com as suas necessidades.
