Komut Satırı Arayüzü
Ultralytics komut satırı arayüzü (CLI), bir Python ortamına ihtiyaç duymadan Ultralytics YOLO modellerini kullanmanın basit bir yolunu sağlar. CLI, çeşitli görevleri doğrudan terminalden çalıştırmayı destekler. yolo komutu, hiçbir özelleştirme veya Python kodu gerektirmez.
İzle: Ultralytics YOLO'da Uzmanlaşmak: CLI
Örnek
Ultralytics yolo komutları aşağıdaki sözdizimini kullanır:
yolo TASK MODE ARGS
Nerede:
- TASK (isteğe bağlı) [detect, segment, classify, pose, obb] seçeneklerinden biridir
- MODE (gerekli) [train, val, predict, export, track, benchmark] seçeneklerinden biridir
- ARGS (isteğe bağlı) herhangi bir sayıda özel arg=value gibi çiftlerdir. imgsz=320 değerleri geçersiz kılar.
Tüm ARG'leri şurada görün: Yapılandırma Kılavuzu veya ile yolo cfg.
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 bir YouTube videosunda önceden eğitilmiş bir segmentasyon modeli kullanarak tahmin yapın:
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 YOLO sınıflandırma modelini ONNX biçimine aktarın (GÖREV gerekli değildir):
yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128
Sürümü görüntülemek, ayarları görmek, kontrolleri çalıştırmak ve daha fazlası için özel komutlar çalıştırın:
yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg
Nerede:
TASK(isteğe bağlı) şunlardan biridir:[detect, segment, classify, pose, obb]. Açıkça belirtilmemişse, YOLO otomatik olarak algılamaya çalışacaktır.TASKmodel türünden.MODE(gerekli) şunlardan biridir:[train, val, predict, export, track, benchmark]ARGS(isteğe bağlı) herhangi bir sayıda özelarg=valuegibi çiftlerdir.imgsz=320varsayılanları geçersiz kılan. Mevcut olanların tam listesi içinARGS, bakınız Yapılandırma sayfasına vedefaults.yaml.
Uyarı
Argümanlar şu şekilde iletilmelidir: arg=val eşittir işaretleriyle ayrılmış çiftler = çiftler ve çiftler arasında boşluklarla sınırlandırılmıştır. Kullanmayın -- argüman önekleri veya virgüller , argümanlar arasında.
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❌
Eğit
YOLO'yu COCO8 veri kümesinde 640 görüntü boyutunda 100 epok için eğitin. Mevcut argümanların tam listesi için Yapılandırma sayfasına bakın.
Örnek
640 resim boyutunda 100 epoch için COCO8 üzerinde YOLO11n eğitimine başlayın:
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
Kesintiye uğramış bir eğitim oturumuna devam etme:
yolo detect train resume model=last.pt
Doğrula
Şunu Doğrula: doğruluğu COCO8 veri kümesi üzerinde eğitilmiş modelin. Argümana gerek yoktur, çünkü model eğitimini korur data ve argümanları model nitelikleri olarak saklar.
Örnek
Resmi bir YOLO11n modelini doğrulayın:
yolo detect val model=yolo11n.pt
Özel olarak eğitilmiş bir modeli doğrulayın:
yolo detect val model=path/to/best.pt
Tahmin et
Görüntüler üzerinde tahminler çalıştırmak için eğitilmiş bir model kullanın.
Örnek
Resmi bir YOLO11n modeliyle tahmin yapın:
yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
Özel bir modelle tahmin yapın:
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'
Dışa aktar
Bir modeli ONNX veya CoreML gibi farklı bir biçime aktarın.
Örnek
Resmi bir YOLO11n modelini ONNX formatına aktarın:
yolo export model=yolo11n.pt format=onnx
Özel olarak eğitilmiş bir modeli ONNX biçimine aktarın:
yolo export model=path/to/best.pt format=onnx
Mevcut Ultralytics dışa aktarma formatları aşağıdaki tabloda yer almaktadır. Aşağıdakini kullanarak herhangi bir formata aktarabilirsiniz: format argümanı, yani format='onnx' veya format='engine'.
| Format | format Argüman |
Model | Meta Veri | Argümanlar |
|---|---|---|---|---|
| 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 |
Tamamını görün export ile ilgili ayrıntılar Dışa aktar sayfasında bulabilirsiniz.
Varsayılan Argümanları Geçersiz Kılma
Komut satırında (CLI) ileterek varsayılan argümanları geçersiz kılın arg=value çiftlerini kullanın.
İpucu
0.01 öğrenme oranıyla 10 epok için bir algılama modeli eğitin:
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
320 görüntü boyutunda bir YouTube videosunda önceden eğitilmiş bir segmentasyon modeli kullanarak tahmin yapın:
yolo segment 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 detect val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
Varsayılan Yapılandırma Dosyasını Geçersiz Kılma
Şunu geçersiz kıl: default.yaml ile yeni bir dosya geçirerek yapılandırma dosyasının tamamı cfg gibi argüman cfg=custom.yaml.
Bunu yapmak için, önce bir kopyasını oluşturun default.yaml ile geçerli çalışma dizininizde yolo copy-cfg komutu, bir tane oluşturur default_copy.yaml dosyası.
Daha sonra bu dosyayı şu şekilde geçirebilirsiniz: cfg=default_copy.yaml gibi ek argümanlarla birlikte imgsz=320 bu örnekte:
Örnek
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320
Çözümler Komutları
Ultralytics, CLI aracılığıyla yaygın bilgisayar görüşü uygulamaları için kullanıma hazır çözümler sunar. Bu çözümler, nesne sayma, egzersiz takibi ve sıra yönetimi gibi karmaşık görevlerin uygulanmasını basitleştirir.
Örnek
Bir video veya canlı yayındaki nesneleri sayın:
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file path
Poz modeli 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 sayın:
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 custom model
Mevcut çözümleri ve seçeneklerini görüntüleyin:
yolo solutions help
Ultralytics çözümleri hakkında daha fazla bilgi için Çözümler sayfasını ziyaret edin.
SSS
Model eğitimi için Ultralytics YOLO komut satırı arayüzünü (CLI) nasıl kullanırım?
CLI'yı kullanarak bir modeli eğitmek için, terminalde tek satırlık bir komut yürütün. Örneğin, bir tespit modelini 0.01 öğrenme oranıyla 10 epoch için eğitmek için şunu çalıştırın:
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Bu komut şunu kullanır: train modunu belirli argümanlarla kullanabilirsiniz. Mevcut argümanların tam listesi için Yapılandırma Kılavuzu.
Ultralytics YOLO CLI ile hangi görevleri gerçekleştirebilirim?
Ultralytics YOLO CLI, algılama, segmentasyon, sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu algılama dahil olmak üzere çeşitli görevleri destekler. Ayrıca şunlar gibi işlemleri de gerçekleştirebilirsiniz:
- Model Eğitme: Çalıştır
yolo train data=<data.yaml> model=<model.pt> epochs=<num>. - Tahminleri Çalıştır: Kullanın
yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>. - Model Dışa Aktarma: Çalıştır
yolo export model=<model.pt> format=<export_format>. - Çözümleri Kullanın: Çalıştır
yolo solutions <solution_name>hazır uygulamalar için.
Her görevi çeşitli argümanlarla özelleştirin. Ayrıntılı sözdizimi ve örnekler için Eğitim, Tahmin ve Dışa Aktarma gibi ilgili bölümlere bakın.
CLI'yı kullanarak eğitilmiş bir YOLO modelinin doğruluğunu nasıl doğrulayabilirim?
Bir modelin doğruluğunu doğruluğu, şunu kullanın val modu. Örneğin, önceden eğitilmiş bir algılama modelini bir ile doğrulamak için yığın boyutu 1 ve 640'lık bir görüntü boyutu için şunu çalıştırın:
yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
Bu komut, modeli belirtilen veri kümesi üzerinde değerlendirir ve mAP, kesinlik ve duyarlılık gibi performans metrikleri sağlar. Daha fazla ayrıntı için Val bölümüne bakın.
CLI'yı kullanarak YOLO modellerimi hangi formatlara aktarabilirim?
YOLO modellerini ONNX, TensorRT, CoreML, TensorFlow ve daha fazlası dahil olmak üzere çeşitli formatlara aktarabilirsiniz. Örneğin, bir modeli ONNX formatına aktarmak için şunu çalıştırın:
yolo export model=yolo11n.pt format=onnx
Dışa aktarma komutu, modelinizi belirli dağıtım ortamları için optimize etmek üzere çok sayıda seçeneği destekler. Mevcut tüm dışa aktarma biçimleri ve bunlara özgü parametreler hakkında eksiksiz ayrıntılar için Dışa Aktar sayfasını ziyaret edin.
Ultralytics CLI'daki önceden oluşturulmuş çözümleri nasıl kullanırım?
Ultralytics, aracılığıyla kullanıma hazır çözümler sunar solutions komutu. Örneğin, bir videodaki nesneleri saymak için:
yolo solutions count source="path/to/video.mp4"
Bu çözümler minimum yapılandırma gerektirir ve yaygın bilgisayar görüşü görevleri için anında işlevsellik sağlar. Mevcut tüm çözümleri görmek için şunu çalıştırın: yolo solutions help. Her çözüm, ihtiyaçlarınıza uyacak şekilde özelleştirilebilen belirli parametrelere sahiptir.
