واجهة سطر الأوامر
توفر واجهة سطر الأوامر (CLI) من Ultralytics طريقة مباشرة لاستخدام نماذج Ultralytics YOLO دون الحاجة إلى بيئة Python. تدعم CLI تنفيذ مهام متنوعة مباشرة من الطرفية باستخدام الأمر yolo، ولا تتطلب أي تخصيص أو كتابة كود Python.
Watch: Mastering Ultralytics YOLO: CLI
تستخدم أوامر yolo من Ultralytics الصيغة التالية:
yolo TASK MODE ARGSحيث:
TASK(اختياري) هي واحدة من [detect, segment, classify, pose, obb]MODE(مطلوب) هي واحدة من [train, val, predict, export, track, benchmark]ARGS(اختياري) هي أي عدد من أزواجarg=valueالمخصصة مثلimgsz=320التي تتجاوز القيم الافتراضية.
راجع جميع ARGS في دليل التكوين الكامل أو باستخدام yolo cfg.
حيث:
TASK(اختياري) هي واحدة من[detect, segment, classify, pose, obb]. إذا لم يتم تمريرها صراحةً، سيحاول YOLO استنتاجTASKمن نوع النموذج.MODE(مطلوب) هي واحدة من[train, val, predict, export, track, benchmark]ARGS(اختياري) هي أي عدد من أزواجarg=valueالمخصصة مثلimgsz=320التي تتجاوز القيم الافتراضية. للحصول على قائمة كاملة بـARGSالمتاحة، راجع صفحة التكوين وملفdefault.yaml.
يجب تمرير الوسائط كأزواج arg=val مفصولة بعلامة يساوي = ومحدودة بمسافات بين الأزواج. لا تستخدم بادئات الوسائط -- أو الفواصل , 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❌
تدريب
تدريب YOLO على مجموعة بيانات COCO8 لمدة 100 حقبة بحجم صورة 640. للحصول على قائمة كاملة بالوسائط المتاحة، راجع صفحة التكوين.
بدء تدريب YOLO26n على COCO8 لمدة 100 حقبة بحجم صورة 640:
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640تحقق
التحقق من دقة النموذج المدرب على مجموعة بيانات COCO8. لا حاجة لأي وسائط حيث يحتفظ model بـ data التدريب والوسائط كسمات للنموذج.
التحقق من نموذج YOLO26n رسمي:
yolo detect val model=yolo26n.ptالتنبؤ
استخدم نموذجاً مدرباً لتشغيل التنبؤات على الصور.
التنبؤ باستخدام نموذج YOLO26n رسمي:
yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'تصدير
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 من Ultralytics موجودة في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام وسيط format، مثل format='onnx' أو format='engine'.
| التنسيق | وسيط format | النموذج | البيانات الوصفية | الوسائط |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, half, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, half, dynamic, simplify, opset, nms, batch, 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, 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 |
اطّلع على تفاصيل export الكاملة في صفحة Export.
تجاوز الوسيطات الافتراضية
تجاوز الوسيطات الافتراضية عن طريق تمريرها في CLI كأزواج arg=value.
تدريب نموذج كشف لمدة 10 حقب (epochs) بمعدل تعلم قدره 0.01:
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01تجاوز ملف التكوين الافتراضي
تجاوز ملف التكوين default.yaml 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 أمر yolo copy-cfg، والذي ينشئ ملف default_copy.yaml.
يمكنك بعد ذلك تمرير هذا الملف كـ cfg=default_copy.yaml مع أي وسيطات إضافية، مثل imgsz=320 في هذا المثال:
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320أوامر الحلول
توفر Ultralytics حلولاً جاهزة للاستخدام لتطبيقات الرؤية الحاسوبية الشائعة عبر CLI. يكشف أمر yolo solutions عن ميزات عد الكائنات، والقص، والتمويه، ومراقبة التمارين الرياضية، والخرائط الحرارية، وتجزئة المثيل (instance segmentation)، وVisionEye، وتقدير السرعة، وإدارة قوائم الانتظار، والتحليلات، والاستدلال عبر Streamlit، والتتبع القائم على المناطق — راجع صفحة Solutions للحصول على الكتالوج الكامل. قم بتشغيل yolo solutions help لسرد كل حل مدعوم ووسيطاته.
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.
الأسئلة الشائعة
كيف يمكنني استخدام واجهة سطر أوامر (CLI) Ultralytics YOLO لتدريب النموذج؟
لتدريب نموذج باستخدام CLI، قم بتنفيذ أمر من سطر واحد في الجهاز. على سبيل المثال، لتدريب نموذج كشف لمدة 10 حقب (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 وسيطات محددة. للحصول على قائمة كاملة بالوسيطات المتاحة، راجع دليل التكوين.
ما هي المهام التي يمكنني القيام بها باستخدام CLI لـ Ultralytics YOLO؟
يدعم CLI الخاص بـ Ultralytics YOLO مهام متنوعة، بما في ذلك الاكتشاف، والتجزئة، والتصنيف، وتقدير الوضع، واكتشاف الصندوق المحيط الموجه. يمكنك أيضاً تنفيذ 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: نفذ
yolo export model=<model.pt> format=<export_format>. - استخدام الحلول: قم بتشغيل
yolo solutions <solution_name>للتطبيقات الجاهزة.
قم بتخصيص كل مهمة بوسيطات متنوعة. للحصول على بناء جملة مفصل وأمثلة، راجع الأقسام المعنية مثل Train، وPredict، وExport.
كيف يمكنني التحقق من دقة نموذج YOLO مُدرب باستخدام CLI؟
للتحقق من دقة النموذج، استخدم وضع val. على سبيل المثال، للتحقق من نموذج كشف مُدرب مسبقاً مع 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 أداء مثل mAP، والدقة، والاستدعاء. لمزيد من التفاصيل، راجع قسم Val.
إلى أي تنسيقات يمكنني تصدير نماذج YOLO الخاصة بي 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 خيارات عديدة لتحسين نموذجك لبيئات نشر محددة. للحصول على تفاصيل كاملة حول جميع تنسيقات التصدير المتاحة ومعلماتها المحددة، قم بزيارة صفحة Export.
كيف 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. لكل حل معلمات محددة يمكن تخصيصها لتناسب احتياجاتك.