Интерфейс командной строки
Интерфейс командной строкиCLI) Ultralytics обеспечивает простой способ использования моделей Ultralytics YOLO без использования среды Python . CLI поддерживает запуск различных задач непосредственно из терминала с помощью команды yolo команда, не требующая настройки или кода Python .
Смотреть: Мастеринг Ultralytics YOLO : CLI
Пример
Ultralytics yolo В командах используется следующий синтаксис:
yolo TASK MODE ARGS
Где:
- TASK (необязательно) - одно из [detect, segment, classify, pose, obb].
- MODE (требуется) является одним из [train, val, predict, export, track, benchmark].
- ARGS (необязательно) - это любое количество пользовательских arg=value такие пары, как imgsz=320 которые отменяют значения по умолчанию.
Смотреть все ARGS в полном объеме Руководство по настройке или с yolo cfg.
Обучите модель обнаружения в течение 10 эпох с начальной скоростью обучения 0,01:
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Прогнозирование с помощью предварительно обученной модели сегментации на видеоролике YouTube с размером изображения 320:
yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
Проверьте предварительно обученную модель обнаружения с размером партии 1 и размером изображения 640:
yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
Экспортируйте модель классификации YOLO в формат ONNX с размером изображения 224x128 (не требуется TASK):
yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128
Выполняйте специальные команды для просмотра версий, настроек, запуска проверок и т. д:
yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg
Где:
TASK(необязательно) является одним из[detect, segment, classify, pose, obb]. Если значение не передано явно, YOLO попытается вывести значениеTASKот типа модели.MODE(обязательно) является одним из[train, val, predict, export, track, benchmark]ARGS(необязательно) - это любое количество пользовательскихarg=valueтакие пары, какimgsz=320которые отменяют значения по умолчанию. Полный список доступныхARGSсм. Конфигурация страница иdefaults.yaml.
Внимание
Аргументы должны быть переданы как arg=val пары, разделенные знаком равенства = знак и разделены пробелами между парами. Не используйте -- префиксы аргументов или запятые , между аргументами.
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❌
Поезд
Обучение YOLO на наборе данных COCO8 в течение 100 эпох при размере изображения 640. Полный список доступных аргументов см. на странице Конфигурация.
Пример
Запустите обучение YOLO11n на COCO8 для 100 эпох при размере изображения 640:
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
Возобновите прерванное занятие:
yolo detect train resume model=last.pt
Вэл
Проверьте точность обученной модели на наборе данных COCO8. Аргументы не требуются, так как model сохраняет свою подготовку data и аргументы как атрибуты модели.
Пример
Проверьте официальную модель YOLO11n:
yolo detect val model=yolo11n.pt
Проверка модели, обученной на заказ:
yolo detect val model=path/to/best.pt
Предсказать
Используйте обученную модель для прогнозирования изображений.
Пример
Прогнозируйте с помощью официальной модели YOLO11n:
yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
Прогнозирование с помощью пользовательской модели:
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'
Экспорт
Экспортируйте модель в другой формат, например ONNX или CoreML.
Пример
Экспортируйте официальную модель YOLO11n в формат ONNX :
yolo export model=yolo11n.pt format=onnx
Экспорт настраиваемой модели в формат ONNX :
yolo export model=path/to/best.pt format=onnx
Доступные форматы экспорта Ultralytics приведены в таблице ниже. Вы можете экспортировать в любой формат, используя format аргумент, т.е, format='onnx' или format='engine'.
| Формат | format Аргумент |
Модель | Метаданные | Аргументы |
|---|---|---|---|---|
| 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 Край 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 |
Смотреть полностью export подробности о Экспорт страница.
Переопределение аргументов по умолчанию
Отмените аргументы по умолчанию, передав их в CLI как arg=value пары.
Наконечник
Обучите модель обнаружения в течение 10 эпох со скоростью обучения 0,01:
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Прогнозирование с помощью предварительно обученной модели сегментации на видеоролике YouTube с размером изображения 320:
yolo segment predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
Проверьте предварительно обученную модель обнаружения с размером партии 1 и размером изображения 640:
yolo detect val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
Переопределение файла конфигурации по умолчанию
Переопределить default.yaml файл конфигурации полностью, передав новый файл с параметром cfg аргумент, например cfg=custom.yaml.
Чтобы сделать это, сначала создайте копию default.yaml в текущем рабочем каталоге с помощью yolo copy-cfg команда, которая создает default_copy.yaml файл.
Затем вы можете передать этот файл в качестве cfg=default_copy.yaml вместе с любыми дополнительными аргументами, например imgsz=320 в данном примере:
Пример
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320
Команды решений
Ultralytics предоставляет готовые решения для распространенных приложений компьютерного зрения через CLI. Эти решения упрощают реализацию сложных задач, таких как подсчет объектов, мониторинг тренировок и управление очередями.
Пример
Подсчитывайте объекты в видео или живом потоке:
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file path
Контролируйте тренировочные упражнения с помощью модели позы:
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
Подсчет объектов в заданной очереди или области:
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
Выполняйте обнаружение объектов, сегментацию экземпляров или оценку позы в веб-браузере с помощью Streamlit:
yolo solutions inference
yolo solutions inference model="path/to/model.pt" # use custom model
Ознакомьтесь с доступными решениями и их вариантами:
yolo solutions help
Более подробную информацию о решениях Ultralytics можно найти на странице "Решения".
ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ
Как использовать интерфейс командной строкиCLI) Ultralytics YOLO для обучения модели?
Чтобы обучить модель с помощью CLI, выполните однострочную команду в терминале. Например, чтобы обучить модель обнаружения в течение 10 эпох с коэффициентом обучения 0,01, выполните команду:
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Эта команда использует train режим с определенными аргументами. Полный список доступных аргументов см. в разделе Руководство по настройке.
Какие задачи можно выполнять с помощью Ultralytics YOLO CLI?
Ultralytics YOLO CLI поддерживает различные задачи, включая обнаружение, сегментацию, классификацию, оценку позы и определение ориентированных границ. Вы также можете выполнять такие операции, как:
- Обучение модели: Запускайте
yolo train data=<data.yaml> model=<model.pt> epochs=<num>. - Прогнозы на забег: Используйте
yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>. - Экспорт модели: Выполнить
yolo export model=<model.pt> format=<export_format>. - Используйте решения: Запускайте
yolo solutions <solution_name>для готовых приложений.
Настройте каждую задачу с помощью различных аргументов. Подробный синтаксис и примеры приведены в соответствующих разделах, таких как Train, Predict и Export.
Как проверить точность обученной модели YOLO с помощью CLI?
Для проверки модели точностьиспользуйте val режим. Например, для проверки предварительно обученной модели обнаружения с помощью размер партии 1 и размер изображения 640, запустите:
yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
Эта команда оценивает модель на указанном наборе данных и предоставляет такие показатели эффективности, как mAP, precision и recall. Для получения более подробной информации обратитесь к разделу Val.
В какие форматы можно экспортировать модели YOLO с помощью CLI?
Вы можете экспортировать модели YOLO в различные форматы, включая ONNX, TensorRT, CoreML, TensorFlow и другие. Например, чтобы экспортировать модель в формат ONNX , выполните команду:
yolo export model=yolo11n.pt format=onnx
Команда экспорта поддерживает множество опций, позволяющих оптимизировать модель для конкретных сред развертывания. Для получения подробной информации обо всех доступных форматах экспорта и их специфических параметрах посетите страницу Экспорт.
Как использовать готовые решения в Ultralytics CLI?
Ultralytics предоставляет готовые к использованию решения через solutions команда. Например, для подсчета объектов в видеоролике:
yolo solutions count source="path/to/video.mp4"
Эти решения требуют минимальной настройки и обеспечивают немедленную функциональность для решения распространенных задач компьютерного зрения. Чтобы увидеть все доступные решения, запустите yolo solutions help. Каждое решение имеет определенные параметры, которые могут быть настроены в соответствии с вашими потребностями.
