Skip to main content
تعديل على GitHub (EN)

واجهة سطر الأوامر

توفر واجهة سطر الأوامر (CLI) الخاصة بـ Ultralytics طريقة مباشرة لاستخدام نماذج Ultralytics YOLO دون الحاجة إلى بيئة Python. تدعم CLI تشغيل مهام متنوعة مباشرة من الطرفية باستخدام yolo أمر، ولا يتطلب أي تخصيص أو كود Python.



Watch: Mastering Ultralytics YOLO: CLI
مثال

تستخدم أوامر Ultralytics yolo بناء الجملة التالي:

yolo TASK MODE ARGS

حيث:

  • TASK (اختياري) هو واحد من [detect, segment, classify, pose, obb]
  • MODE (مطلوب) هو واحد من [train, val, predict, export, track, benchmark]
  • ARGS (اختياري) هي أي عدد من أزواج arg=value المخصصة مثل imgsz=320 التي تتجاوز الإعدادات الافتراضية.

شاهد جميع ARGS في دليل الإعدادات الكامل أو باستخدام yolo cfg.

حيث:

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

يجب تمرير الوسائط كأزواج arg=val، مفصولة بعلامة = ومحدودة بمسافات بين الأزواج. لا تستخدم -- بادئات وسائط أو فواصل , بين الوسائط.

  • 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 ❌

التدريب

تدريب YOLO على مجموعة بيانات COCO8 لمدة 100 حقبة بحجم صورة 640. للحصول على قائمة كاملة بالوسائط المتاحة، راجع صفحة الإعدادات .

مثال

بدء تدريب YOLO26n على COCO8 لمدة 100 حقبة بحجم صورة 640:

yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640

التحقق

التحقق من دقة النموذج المدرب على مجموعة بيانات COCO8. لا يلزم وجود وسائط حيث يحتفظ model بـ data والوسائط الخاصة بالتدريب كسمات للنموذج.

مثال

التحقق من نموذج YOLO26n رسمي:

yolo detect val model=yolo26n.pt

التنبؤ

استخدم نموذجًا مدربًا لتشغيل التنبؤات على الصور.

مثال

التنبؤ باستخدام نموذج YOLO26n رسمي:

yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

التصدير

تصدير نموذج إلى تنسيق مختلف مثل ONNX أو CoreML.

مثال

تصدير نموذج YOLO26n رسمي إلى تنسيق ONNX:

yolo export model=yolo26n.pt format=onnx

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

التنسيقformat وسيطالنموذجالبيانات الوصفيةالوسائط
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, half, dynamic, optimize, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, half, dynamic, simplify, opset, nms, batch, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, half, dynamic, int8, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, half, int8, nms, batch, device
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, keras, int8, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, batch, device
TF Litetfliteyolo26n.tflite✅imgsz, half, int8, nms, batch, data, fraction, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, int8, data, fraction, device
TF.jstfjsyolo26n_web_model/✅imgsz, half, int8, nms, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, int8, half, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, half, batch, device
IMX500imxyolo26n_imx_model/✅imgsz, int8, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, int8, data, fraction, device

شاهد كامل export التفاصيل في التصدير .

تجاوز الوسائط الافتراضية

تجاوز الوسائط الافتراضية عن طريق تمريرها في CLI كأزواج arg=value .

تلميح

تدريب نموذج اكتشاف لمدة 10 حقب بمعدل تعلم 0.01:

yolo detect train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

تجاوز ملف الإعدادات الافتراضي

تجاوز default.yaml ملف التكوين بالكامل عن طريق تمرير ملف جديد باستخدام وسيطة 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، الذي ينشئ ملف default_copy.yaml .

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

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

أوامر الحلول

توفر Ultralytics حلولاً جاهزة للاستخدام لتطبيقات الرؤية الحاسوبية الشائعة من خلال CLI. يكشف الأمر yolo solutions عن عد الكائنات، والاقتصاص، والتمويه، ومراقبة التمارين الرياضية، والخرائط الحرارية، وتجزئة المثيلات، وVisionEye، وتقدير السرعة، وإدارة طوابير الانتظار، والتحليلات، والاستنتاج عبر Streamlit، والتتبع القائم على المنطقة — راجع صفحة الحلول للحصول على الكتالوج الكامل. قم بتشغيل yolo solutions help لسرد كل حل مدعوم ووسيطاته.

مثال

عد الكائنات في فيديو أو بث مباشر:

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

لمزيد من المعلومات حول حلول Ultralytics، تفضل بزيارة الحلول .

FAQ

كيف يمكنني استخدام واجهة سطر أوامر (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 تعلم بقيمة 0.01، قم بتشغيل:

yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

يستخدم هذا الأمر وضع train مع وسيطات محددة. للحصول على قائمة كاملة بالوسيطات المتاحة، ارجع إلى دليل الإعدادات.

ما هي المهام التي يمكنني القيام بها باستخدام Ultralytics YOLO CLI؟

يدعم Ultralytics YOLO CLI مهام متنوعة، بما في ذلك الاكتشاف, التجزئة, التصنيف, تقدير الوضع (pose estimation)، و اكتشاف مربع التحديد الموجه. يمكنك أيضاً إجراء عمليات مثل:

  • تدريب نموذج: تشغيل yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
  • تشغيل التنبؤات: استخدام 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.

خصص كل مهمة باستخدام وسيطات متنوعة. للحصول على الصيغ التفصيلية والأمثلة، راجع الأقسام المعنية مثل التدريب, التنبؤ، و التصدير.

كيف يمكنني التحقق من دقة نموذج YOLO مدرب باستخدام CLI؟

للتحقق من دقة الخاصة بالنموذج، استخدم وضع val. على سبيل المثال، للتحقق من نموذج اكتشاف مدرب مسبقاً مع حجم دفعة (batch size) بقيمة 1 وحجم صورة 640، قم بتشغيل:

yolo val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640

يقوم هذا الأمر بتقييم النموذج على مجموعة البيانات المحددة ويوفر مقاييس الأداء مثل mAP, الدقة (precision)، و الاستدعاء (recall). لمزيد من التفاصيل، ارجع إلى قسم التحقق.

ما هي التنسيقات التي يمكنني تصدير نماذج YOLO إليها باستخدام CLI؟

يمكنك تصدير نماذج YOLO إلى تنسيقات متنوعة بما في ذلك ONNX، وTensorRT، وCoreML، وTensorFlow، والمزيد. على سبيل المثال، لتصدير نموذج إلى تنسيق ONNX، قم بتشغيل:

yolo export model=yolo26n.pt format=onnx

يدعم أمر التصدير العديد من الخيارات لتحسين نموذجك لبيئات نشر معينة. للحصول على تفاصيل كاملة حول جميع تنسيقات التصدير المتاحة ومعلماتها المحددة، تفضل بزيارة التصدير .

كيف يمكنني استخدام الحلول المدمجة مسبقاً في Ultralytics CLI؟

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

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

تتطلب هذه الحلول تكويناً أدنى وتوفر وظائف فورية لمهام الرؤية الحاسوبية الشائعة. لرؤية جميع الحلول المتاحة، قم بتشغيل yolo solutions help. كل حل له معلمات محددة يمكن تخصيصها لتناسب احتياجاتك.

التعليقات