Link to this sectionواجهة سطر الأوامر#
توفر واجهة سطر الأوامر (CLI) الخاصة بـ Ultralytics طريقة مباشرة لاستخدام نماذج Ultralytics YOLO دون الحاجة إلى بيئة Python. تدعم واجهة CLI تشغيل مهام متنوعة مباشرة من الطرفية باستخدام الأمر yolo، دون الحاجة إلى أي تخصيص أو كتابة كود Python.
Watch: Mastering Ultralytics YOLO: CLI
تستخدم أوامر yolo من Ultralytics الصيغة التالية:
yolo TASK MODE ARGSحيث:
TASK(اختياري) هو أحد الخيارات [detect, segment, semantic, classify, pose, obb]MODE(مطلوب) هو أحد الخيارات [train, val, predict, export, track, benchmark]ARGS(اختياري) هي أي عدد من أزواجarg=valueالمخصصة مثلimgsz=320التي تتجاوز الإعدادات الافتراضية.
اطلع على جميع ARGS في دليل التكوين الكامل أو باستخدام yolo cfg.
حيث:
TASK(اختياري) هو أحد الخيارات[detect, segment, semantic, classify, pose, obb]. إذا لم يتم تمريره بشكل صريح، سيحاول YOLO استنتاجTASKمن نوع النموذج.MODE(مطلوب) هو أحد الخيارات[train, val, predict, export, track, benchmark]ARGS(اختياري) هي أي عدد من أزواجarg=valueالمخصصة مثلimgsz=320التي تتجاوز الإعدادات الافتراضية. للحصول على قائمة كاملة بـARGSالمتاحة، راجع صفحة التكوين وملفdefault.yaml.
يجب تمرير الوسيطات كأزواج arg=val مفصولة بعلامة يساوي = ومحددة بمسافات بين الأزواج. لا تستخدم بادئات الوسيطة -- أو فواصل , بين الوسيطات.
yolo predict model=yolo26n.pt imgsz=640 conf=0.25✅yolo predict model yolo26n.pt imgsz 640 conf 0.25❌yolo predict --model yolo26n.pt --imgsz 640 --conf 0.25❌
Link to this sectionتدريب#
تدريب YOLO على مجموعة بيانات COCO8 لمدة 100 دورة بحجم صورة 640. للحصول على قائمة كاملة بالوسيطات المتاحة، راجع صفحة التكوين.
بدء تدريب YOLO26n على COCO8 لمدة 100 دورة بحجم صورة 640:
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640Link to this sectionالتحقق#
التحقق من دقة النموذج المدرب على مجموعة بيانات COCO8. لا حاجة لأي وسيطات لأن model يحتفظ ببيانات التدريب data والوسيطات كسمات للنموذج.
التحقق من نموذج YOLO26n رسمي:
yolo detect val model=yolo26n.ptLink to this sectionتنبؤ#
استخدم نموذجًا مدربًا لتشغيل تنبؤات على الصور.
التنبؤ باستخدام نموذج YOLO26n رسمي:
yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'Link to this sectionتصدير#
تصدير نموذج إلى تنسيق مختلف مثل ONNX أو CoreML.
تصدير نموذج YOLO26n رسمي إلى تنسيق ONNX:
yolo export model=yolo26n.pt format=onnxتنسيقات التصدير المتاحة في Ultralytics موضحة في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام وسيطة format، أي format='onnx' أو format='engine'.
| تنسيق | وسيطة format | نموذج | بيانات وصفية | وسيطات |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, half, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, half, int8, dynamic, simplify, opset, nms, batch, data, fraction, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, half, dynamic, int8, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, half, int8, nms, batch, device |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, keras, int8, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, batch, device |
| TF Lite | tflite | yolo26n.tflite | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, int8, data, fraction, device |
| TF.js | tfjs | yolo26n_web_model/ | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, int8, half, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, half, batch, device |
| IMX500 | imx | yolo26n_imx_model/ | ✅ | imgsz, int8, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, int8, data, fraction, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, int8, data, fraction, device |
| DEEPX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, int8, data, optimize, device |
| Qualcomm QNN | qnn | yolo26n_qnn_model/ | ✅ | imgsz, batch, name, int8, data, fraction, device |
اطلع على تفاصيل export الكاملة في صفحة Export.
Link to this sectionتجاوز الوسائط الافتراضية#
يمكنك تجاوز الوسائط الافتراضية عن طريق تمريرها في واجهة سطر الأوامر (CLI) كأزواج arg=value.
تدريب نموذج اكتشاف لمدة 10 دورات (epochs) بمعدل تعلم قدره 0.01:
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01Link to this sectionتجاوز ملف التكوين الافتراضي#
تجاوز ملف التكوين default.yaml بالكامل عن طريق تمرير ملف جديد باستخدام الوسيط cfg، مثل cfg=custom.yaml.
للقيام بذلك، قم أولاً بإنشاء نسخة من default.yaml في دليل العمل الحالي الخاص بك باستخدام الأمر yolo copy-cfg، والذي سيقوم بإنشاء ملف default_copy.yaml.
يمكنك بعد ذلك تمرير هذا الملف كـ cfg=default_copy.yaml مع أي وسائط إضافية، مثل imgsz=320 في هذا المثال:
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320Link to this sectionأوامر الحلول#
توفر Ultralytics حلولاً جاهزة للاستخدام لتطبيقات الرؤية الحاسوبية الشائعة عبر CLI. يقوم الأمر yolo solutions بتشغيل عمليات عد الكائنات، والقص، والتمويه، ومراقبة التمارين الرياضية، والخرائط الحرارية، وتجزئة المثيل، وVisionEye، وتقدير السرعة، وإدارة الطوابير، والتحليلات، والاستدلال عبر Streamlit، والتتبع القائم على المناطق — راجع صفحة Solutions للحصول على الكتالوج الكامل. قم بتشغيل yolo solutions help لسرد كل حل مدعوم ووسائطه.
عد الكائنات في فيديو أو بث مباشر:
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file pathلمزيد من المعلومات حول حلول Ultralytics، تفضل بزيارة صفحة Solutions.
Link to this sectionالأسئلة الشائعة#
Link to this sectionكيف يمكنني استخدام واجهة سطر الأوامر (CLI) الخاصة بـ Ultralytics YOLO لتدريب النماذج؟#
لتدريب نموذج باستخدام CLI، قم بتنفيذ أمر من سطر واحد في الطرفية (terminal). على سبيل المثال، لتدريب نموذج اكتشاف لمدة 10 دورات (epochs) مع معدل تعلم قدره 0.01، قم بتشغيل:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01يستخدم هذا الأمر وضع train مع وسائط محددة. للحصول على قائمة كاملة بالوسائط المتاحة، راجع دليل التكوين.
Link to this sectionما هي المهام التي يمكنني القيام بها باستخدام CLI الخاص بـ Ultralytics YOLO؟#
يدعم CLI الخاص بـ Ultralytics YOLO مهاماً متنوعة، بما في ذلك الاكتشاف، والتجزئة، والتجزئة الدلالية، والتصنيف، وتقدير الوضع، واكتشاف صناديق الإحاطة الموجهة. يمكنك أيضاً إجراء عمليات مثل:
- تدريب نموذج: قم بتشغيل
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: قم بتنفيذ
yolo export model=<model.pt> format=<export_format>. - استخدام الحلول: قم بتشغيل
yolo solutions <solution_name>للتطبيقات الجاهزة.
قم بتخصيص كل مهمة بوسائط مختلفة. للحصول على الصيغ والأمثلة المفصلة، انظر الأقسام المعنية مثل Train، وPredict، وExport.
Link to this sectionكيف يمكنني التحقق من دقة نموذج YOLO مدرب باستخدام CLI؟#
للتحقق من دقة النموذج، استخدم وضع val. على سبيل المثال، للتحقق من نموذج اكتشاف مدرب مسبقاً بـ حجم دفعة قدره 1 وحجم صورة 640، قم بتشغيل:
yolo val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640يقوم هذا الأمر بتقييم النموذج على مجموعة البيانات المحددة ويوفر مقاييس الأداء مثل mAP، والدقة، والاسترجاع. لمزيد من التفاصيل، راجع قسم Val.
Link to this sectionما هي التنسيقات التي يمكنني تصدير نماذج YOLO إليها باستخدام CLI؟#
يمكنك تصدير نماذج YOLO إلى تنسيقات متنوعة بما في ذلك ONNX، وTensorRT، وCoreML، وTensorFlow، وغيرها. على سبيل المثال، لتصدير نموذج إلى تنسيق ONNX، قم بتشغيل:
yolo export model=yolo26n.pt format=onnxيدعم أمر التصدير العديد من الخيارات لتحسين نموذجك لبيئات نشر محددة. للحصول على تفاصيل كاملة حول جميع تنسيقات التصدير المتاحة ومعلماتها المحددة، تفضل بزيارة صفحة Export.
Link to this sectionكيف يمكنني استخدام الحلول الجاهزة في Ultralytics CLI؟#
توفر Ultralytics حلولاً جاهزة للاستخدام من خلال أمر solutions. على سبيل المثال، لعد الكائنات في فيديو:
yolo solutions count source="path/to/video.mp4"تتطلب هذه الحلول حداً أدنى من التكوين وتوفر وظائف فورية لمهام الرؤية الحاسوبية الشائعة. لرؤية جميع الحلول المتاحة، قم بتشغيل yolo solutions help. يحتوي كل حل على معلمات محددة يمكن تخصيصها لتناسب احتياجاتك.