命令行界面
Ultralytics 命令行界面CLI）提供了一种直接使用Ultralytics YOLO 模型的方法，无需Python 环境。CLI 支持直接从终端运行各种任务，使用 yolo 命令，无需定制或编写Python 代码。
观看： 掌握Ultralytics YOLO ：CLI
示例
Ultralytics yolo 命令使用以下语法：
yolo TASK MODE ARGS
在哪里？
- TASK (可选）是[检测、分割、分类、姿势、OBB]之一
- MODE (必填）是 [train, val, predict, export, track, benchmark] 中的一个。
- ARGS (可选）是任意数量的自定义 arg=value 如 imgsz=320 覆盖默认值。
查看所有 ARGS 全文 配置指南 或与 yolo cfg.
在图像大小为 320 的 YouTube 视频上使用预训练的分割模型进行预测：
yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
验证预先训练的检测模型，批量大小为 1，图像大小为 640：
yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
将YOLO 分类模型导出为ONNX 格式，图像大小为 224x128（无需 TASK）：
yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128
运行特殊命令可查看版本、设置、运行检查等：
yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg
在哪里？
TASK(可选）是[detect, segment, classify, pose, obb].如果没有明确传递，YOLO 将尝试推断出TASK来自模型类型。MODE（必填）是[train, val, predict, export, track, benchmark]ARGS(可选）是任意数量的自定义arg=value如imgsz=320可覆盖默认值。有关可用ARGS见 配置 页和defaults.yaml.
警告
参数必须以 arg=val 对，之间用等号隔开 = 符号，每对之间用空格分隔。请勿使用 -- 参数 , 参数之间。
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❌
火车
在图像大小为 640 的 COCO8 数据集上训练YOLO 100 个历元。有关可用参数的完整列表，请参阅配置页面。
示例
开始在 COCO8 上对 YOLO11n 进行 100 次训练，图像大小为 640：
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
恢复中断的培训课程：
yolo detect train resume model=last.pt
瓦尔
验证 精确度 在 COCO8 数据集上训练模型的结果。无需参数，因为 model 保留其培训 data 和参数作为模型属性。
示例
验证官方 YOLO11n 型号：
yolo detect val model=yolo11n.pt
验证自定义训练的模型
yolo detect val model=path/to/best.pt
预测
使用训练有素的模型对图像进行预测。
示例
使用官方 YOLO11n 模型进行预测：
yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
使用自定义模型进行预测：
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'
出口
将模型导出为不同的格式，如ONNX 或CoreML。
示例
将 YOLO11n 官方模型导出为ONNX 格式：
yolo export model=yolo11n.pt format=onnx
将自定义训练的模型导出为ONNX 格式：
yolo export model=path/to/best.pt format=onnx
可用的Ultralytics 导出格式如下表所示。您可以使用 format 参数，即 format='onnx' 或 format='engine'.
| 格式 | format 论据 |
模型 | 元数据 | 论据 |
|---|---|---|---|---|
| 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 轻型 | tflite |
yolo11n.tflite |
✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF 边缘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 |
查看全文 export 的详细信息 出口 page.
覆盖默认参数
通过在CLI 中以 arg=value 成双成对。
提示
以 0.01 的学习率训练检测模型 10 个历元：
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
在图像大小为 320 的 YouTube 视频上使用预训练的分割模型进行预测：
yolo segment predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
验证预先训练的检测模型，批量大小为 1，图像大小为 640：
yolo detect val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
覆盖默认配置文件
覆盖 default.yaml 的配置文件，通过传递一个带有 cfg 参数，例如 cfg=custom.yaml.
为此，首先创建一个 default.yaml 在当前工作目录中使用 yolo copy-cfg 命令，创建一个 default_copy.yaml 锉刀
然后，您可以将该文件作为 cfg=default_copy.yaml 以及其他参数，如 imgsz=320 在此示例中：
示例
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320
解决方案命令
Ultralytics 通过CLI 为常见的计算机视觉应用提供即用型解决方案。这些解决方案简化了复杂任务的执行，如对象计数、运动监控和队列管理。
示例
对视频或实时流中的物体进行计数：
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file path
使用姿势模型监控锻炼练习：
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
对指定队列或区域中的对象进行计数：
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
使用 Streamlit 在网络浏览器中执行对象检测、实例分割或姿态估计：
yolo solutions inference
yolo solutions inference model="path/to/model.pt" # use custom model
查看可用解决方案及其选项：
yolo solutions help
有关Ultralytics 解决方案的更多信息，请访问解决方案页面。
常见问题
如何使用Ultralytics YOLO 命令行界面CLI）进行模型训练？
要使用CLI 训练模型，请在终端执行单行命令。例如，要训练一个学习率为0.01、历时 10 次的检测模型，请运行
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
该命令使用 train 模式的参数。有关可用参数的完整列表，请参阅 配置指南.
使用Ultralytics YOLO CLI 可以执行哪些任务？
Ultralytics YOLO CLI 支持各种任务，包括检测、分割、分类、姿态估计和定向边界框检测。您还可以执行以下操作
- 训练模型:运行
yolo train data=<data.yaml> model=<model.pt> epochs=<num>. - 运行预测:使用
yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>. - 导出模型:执行
yolo export model=<model.pt> format=<export_format>. - 使用解决方案:运行
yolo solutions <solution_name>用于现成的应用程序。
使用各种参数自定义每个任务。有关详细语法和示例，请参阅相应章节，如训练、预测和导出。
如何使用CLI 验证经过训练的YOLO 模型的准确性？
为了验证模型的 精确度使用 val 模式。例如，要验证预训练的检测模型，可以使用 批量大小 为 1，图像大小为 640，运行：
yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
该命令在指定数据集上评估模型，并提供mAP、精确度和召回率等性能指标。有关详细信息，请参阅Val部分。
使用CLI 可以将YOLO 模型导出成什么格式？
您可以将YOLO 模型导出为各种格式，包括ONNX、TensorRT、CoreML、TensorFlow 等。例如，要将模型导出为ONNX 格式，请运行
yolo export model=yolo11n.pt format=onnx
导出命令支持多种选项，可针对特定部署环境优化模型。有关所有可用导出格式及其特定参数的完整详细信息，请访问导出页面。
如何使用Ultralytics CLI 中的预建解决方案？
Ultralytics 通过以下方式提供即用型解决方案 solutions 命令。例如，对视频中的物体进行计数：
yolo solutions count source="path/to/video.mp4"
这些解决方案只需最低限度的配置，即可为常见的计算机视觉任务提供即时功能。要查看所有可用的解决方案，请运行 yolo solutions help.每种解决方案都有特定的参数，可根据您的需求进行定制。
