تخطي إلى المحتوى

واجهة سطر الأوامر

توفر واجهة سطر الأوامر Ultralytics CLI) طريقة مباشرة لاستخدام نماذج Ultralytics YOLO دون الحاجة إلى بيئة Python . تدعم واجهة CLI الأوامر CLI CLI) تشغيل مهام مختلفة مباشرةً من الجهاز باستخدام yolo الأمر الذي لا يتطلب أي تخصيص أو كود Python .



شاهد: إتقان Ultralytics YOLO : CLI

مثال على ذلك

Ultralytics yolo تستخدم الأوامر الصيغة التالية: 

yolo TASK MODE ARGS

أين: - TASK (اختياري) هو واحد من [الكشف، التقطيع، التصنيف، الوضع، obb] - MODE (مطلوب) هو واحد من [قطار، فال، تنبؤ، تصدير، تتبع، معيار] - ARGS (اختياري) هي أي عدد من arg=value أزواج مثل imgsz=320 التي تتجاوز الإعدادات الافتراضية.

اطلع على جميع ARGS في دليل التكوين أو مع yolo cfg.

تدريب نموذج اكتشاف ل 10 حلقات بمعدل تعلم أولي 0.01:

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

توقع باستخدام نموذج تجزئة مدرب مسبقًا على فيديو يوتيوب بحجم صورة 320:

yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

تحقق من صحة نموذج كشف تم تدريبه مسبقًا بحجم دفعة 1 وحجم الصورة 640:

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

قم بتصدير نموذج تصنيف YOLO إلى تنسيق ONNX بحجم صورة 224x128 (لا يتطلب TASK):

yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128

قم بتشغيل أوامر خاصة لعرض الإصدار والإعدادات وتشغيل الفحوصات والمزيد:

yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg

أين:

  • TASK (اختياري) هو واحد من [detect, segment, classify, pose, obb]. إذا لم يتم تمريره بشكل صريح، سيحاول YOLO استنتاج TASK من نوع النموذج.
  • MODE (مطلوب) هو واحد من [train, val, predict, export, track, benchmark]
  • ARGS (اختياري) هي أي عدد من arg=value أزواج مثل imgsz=320 التي تتجاوز الإعدادات الافتراضية. للحصول على قائمة كاملة من ARGSانظر التكوين الصفحة و defaults.yaml.

تحذير

يجب تمرير الحجج على شكل arg=val أزواج، مفصولة بحرف يساوي = علامة ومحددة بمسافات بين الأزواج. لا تستخدم -- بادئات الوسيطة أو الفواصل , بين الحجج.

  • 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   ❌

القطار

قم بتدريب YOLO على مجموعة بيانات COCO8 لـ 100 حقبة زمنية بحجم صورة 640. للحصول على قائمة كاملة بالوسائط المتاحة، راجع صفحة التهيئة.

مثال على ذلك

ابدأ بتدريب YOLO11n على COCO8 لمدة 100 حقبة زمنية بحجم صورة 640:

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

استئناف جلسة تدريب متقطعة:

yolo detect train resume model=last.pt

فال

التحقق من صحة الدقة للنموذج المُدرَّب على مجموعة بيانات COCO8. لا حاجة لوسائط لأن model تحتفظ بتدريبها data والوسائط كسمات نموذجية.

مثال على ذلك

التحقق من صحة نموذج YOLO11n الرسمي:

yolo detect val model=yolo11n.pt

التحقق من صحة النموذج المدرّب حسب الطلب:

yolo detect val model=path/to/best.pt

التنبؤ

استخدم نموذجاً مدرّباً لتشغيل تنبؤات على الصور.

مثال على ذلك

توقع باستخدام نموذج YOLO11n الرسمي:

yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

التنبؤ باستخدام نموذج مخصص:

yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'

التصدير

تصدير نموذج إلى تنسيق مختلف مثل ONNX أو CoreML.

مثال على ذلك

تصدير نموذج YOLO11n رسمي إلى تنسيق ONNX :

yolo export model=yolo11n.pt format=onnx

تصدير نموذج مُدرَّب مخصص إلى تنسيق ONNX :

yolo export model=path/to/best.pt format=onnx

ترد تنسيقات تصدير Ultralytics المتاحة في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام format حجة، أي format='onnx' أو format='engine'.

التنسيق format الجدال الطراز البيانات الوصفية الحجج
PyTorch - yolo11n.pt ✅ -
TorchScript torchscript yolo11n.torchscript ✅ imgsz, optimize, nms, batch
ONNX onnx yolo11n.onnx ✅ imgsz, half, dynamic, simplify, opset, nms, batch
OpenVINO openvino yolo11n_openvino_model/ ✅ imgsz, half, dynamic, int8, nms, batch, data
TensorRT engine yolo11n.engine ✅ imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data
CoreML coreml yolo11n.mlpackage ✅ imgsz, half, int8, nms, batch
TF SavedModel saved_model yolo11n_saved_model/ ✅ imgsz, keras, int8, nms, batch
TF GraphDef pb yolo11n.pb ❌ imgsz, batch
TF لايت tflite yolo11n.tflite ✅ imgsz, half, int8, nms, batch, data
TF إيدج TPU edgetpu yolo11n_edgetpu.tflite ✅ imgsz
TF.js tfjs yolo11n_web_model/ ✅ imgsz, half, int8, nms, batch
PaddlePaddle paddle yolo11n_paddle_model/ ✅ imgsz, batch
MNN mnn yolo11n.mnn ✅ imgsz, batch, int8, half
NCNN ncnn yolo11n_ncnn_model/ ✅ imgsz, half, batch
IMX500 imx yolov8n_imx_model/ ✅ imgsz, int8, data
ر.ك.ن.ن.ن rknn yolo11n_rknn_model/ ✅ imgsz, batch, name

انظر بالكامل export تفاصيل عن التصدير الصفحة.

تجاوز الحجج الافتراضية

تجاوز الوسيطات الافتراضية عن طريق تمريرها في CLI ) بصيغة arg=value أزواج.

نصيحة

تدريب نموذج اكتشاف ل 10 حلقات بمعدل تعلم 0.01:

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

توقع باستخدام نموذج تجزئة مدرب مسبقًا على فيديو يوتيوب بحجم صورة 320:

yolo segment predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

تحقق من صحة نموذج كشف تم تدريبه مسبقًا بحجم دفعة 1 وحجم الصورة 640:

yolo detect val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

تجاوز ملف التكوين الافتراضي

تجاوز default.yaml ملف التكوين بالكامل عن طريق تمرير ملف جديد مع cfg وسيطة، مثل cfg=custom.yaml.

للقيام بذلك، قم أولاً بإنشاء نسخة من default.yaml في دليل العمل الحالي الخاص بك مع yolo copy-cfg الأمر الذي ينشئ default_copy.yaml الملف.

يمكنك بعد ذلك تمرير هذا الملف باسم cfg=default_copy.yaml مع أي وسيطات إضافية، مثل imgsz=320 في هذا المثال:

مثال على ذلك

yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320

أوامر الحلول

توفر Ultralytics حلولاً جاهزة للاستخدام لتطبيقات الرؤية الحاسوبية الشائعة من خلال CLI). تعمل هذه الحلول على تبسيط تنفيذ المهام المعقدة مثل عد الكائنات ومراقبة التمرين وإدارة قوائم الانتظار.

مثال على ذلك

عد الكائنات في فيديو أو بث مباشر:

yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file path

راقب تمارين مراقبة التمارين الرياضية باستخدام نموذج وضعيات:

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

عد الكائنات في قائمة انتظار أو منطقة معينة:

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

قم بإجراء اكتشاف الكائن أو تجزئة المثيل أو تقدير الوضع في متصفح الويب باستخدام Streamlit:

yolo solutions inference
yolo solutions inference model="path/to/model.pt" # use custom model

عرض الحلول المتاحة وخياراتها:

yolo solutions help

لمزيد من المعلومات حول حلول Ultralytics يرجى زيارة صفحة الحلول.

الأسئلة الشائعة

كيف يمكنني استخدام واجهة سطر الأوامر Ultralytics YOLO CLI لتدريب النموذج؟

لتدريب نموذج باستخدام CLI قم بتنفيذ أمر من سطر واحد في المحطة الطرفية. على سبيل المثال، لتدريب نموذج كشف ل 10 حلقات بمعدل تعلم 0.01، قم بتشغيل

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

يستخدم هذا الأمر train بوسائط محددة. للاطلاع على قائمة كاملة بالوسائط المتاحة، راجع دليل التكوين.

ما المهام التي يمكنني تنفيذها باستخدام Ultralytics YOLO CLI

تدعمCLI Ultralytics YOLO CLI العديد من المهام، بما في ذلك الكشف، والتجزئة، والتصنيف، وتقدير الوضع، واكتشاف المربع المحدود الموجه. يمكنك أيضًا إجراء عمليات مثل:

  • تدريب نموذج: تشغيل yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
  • تنبؤات الجري: الاستخدام yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
  • تصدير نموذج: تنفيذ yolo export model=<model.pt> format=<export_format>.
  • استخدام الحلول: تشغيل yolo solutions <solution_name> للتطبيقات الجاهزة.

قم بتخصيص كل مهمة بوسائط مختلفة. للاطلاع على بناء الجملة التفصيلي والأمثلة، راجع الأقسام ذات الصلة مثل التدريب والتنبؤ والتصدير.

كيف يمكنني التحقق من دقة نموذج YOLO المدرّب باستخدام CLI

للتحقق من صحة النموذج الدقة، استخدم val الوضع. على سبيل المثال، للتحقق من صحة نموذج الكشف الذي تم تدريبه مسبقًا باستخدام حجم الدُفعة من 1 وحجم الصورة 640، قم بالتشغيل:

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

يقيّم هذا الأمر النموذج على مجموعة البيانات المحددة ويوفر مقاييس أداء مثل mAP والدقة والاستدعاء. لمزيد من التفاصيل، راجع قسم Val.

ما هي التنسيقات التي يمكنني تصدير نماذج YOLO إليها باستخدام CLI

يمكنك تصدير نماذج YOLO إلى تنسيقات مختلفة بما في ذلك ONNX و TensorRT و CoreML و TensorFlow وغيرها. على سبيل المثال، لتصدير نموذج إلى صيغة ONNX قم بتشغيل:

yolo export model=yolo11n.pt format=onnx

يدعم أمر التصدير العديد من الخيارات لتحسين النموذج الخاص بك لبيئات نشر محددة. للحصول على تفاصيل كاملة عن جميع تنسيقات التصدير المتاحة ومعلماتها المحددة، قم بزيارة صفحة التصدير.

كيف يمكنني استخدام الحلول المعدة مسبقًا في Ultralytics CLI

توفر Ultralytics حلولاً جاهزة للاستخدام من خلال solutions أمر. على سبيل المثال، لعد الكائنات في مقطع فيديو:

yolo solutions count source="path/to/video.mp4"

تتطلب هذه الحلول الحد الأدنى من التكوين وتوفر وظائف فورية لمهام الرؤية الحاسوبية الشائعة. للاطلاع على جميع الحلول المتاحة، قم بتشغيل yolo solutions help. يحتوي كل حل على معلمات محددة يمكن تخصيصها لتناسب احتياجاتك.

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 5 أيام
غلين-جوتشر ألترالتيكسيستانتست ج ك 4 هـ ماثيو نويس طموح-أخطبوط برهان-ق رضوان منور أيوش إكسيل الضحك-ف نيهوي

التعليقات