ابدأ

واجهة سطر الأوامر

توفر واجهة سطر الأوامر (CLI) من Ultralytics طريقة مباشرة لاستخدام نماذج Ultralytics YOLO من دون كتابة شيفرة Python. وتدعم CLI تشغيل كل مهمة ووضع مباشرةً من الطرفية باستخدام الأمر yolo.



شاهد: إتقان Ultralytics YOLO: CLI
مثال

تستخدم أوامر yolo في Ultralytics الصيغة التالية:

yolo TASK MODE ARGS

حيث:

  • TASK (اختياري) هو أحد الخيارات التالية: [detect, segment, semantic, depth, classify, pose, obb]
  • MODE (مطلوب) هو أحد الخيارات التالية: [train, val, predict, export, track, benchmark]
  • ARGS (اختياري) هو أي عدد من أزواج arg=value المخصصة، مثل imgsz=320، التي تتجاوز القيم الافتراضية.

اطّلع على جميع ARGS في دليل التهيئة الكامل أو باستخدام yolo cfg.

حيث:

  • TASK (اختياري) هو أحد الخيارات [detect, segment, semantic, depth, classify, pose, obb]. إذا لم يُمرَّر صراحةً، فسيحاول YOLO استنتاج TASK من نوع النموذج.
  • MODE (مطلوب) هو أحد الخيارات [train, val, predict, export, track, benchmark]
  • ARGS (اختياري) هو أي عدد من أزواج arg=value المخصصة، مثل imgsz=320، التي تتجاوز القيم الافتراضية. للاطلاع على قائمة كاملة بـARGS المتاحة، راجع صفحة التهيئة وdefault.yaml.
تحذير

يجب تمرير الوسيطات على شكل أزواج arg=val، تفصل بينها علامة يساوي =، وتُفصل الأزواج بعضها عن بعض بمسافات. لا تستخدم بادئات الوسيطات -- أو الفواصل , 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 ❌

التدريب#

درّب YOLO على مجموعة بيانات COCO8 لمدة 100 حقبة وبحجم صورة 640.

مثال

ابدأ تدريب YOLO26n على COCO8 لمدة 100 حقبة وبحجم صورة 640:

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

التحقق#

تحقّق من دقة النموذج المدرّب على مجموعة بيانات COCO8. يعيد النموذج المخصص استخدام data الخاص بتدريبه عند إغفال data؛ أما الأوزان الرسمية فتستخدم القيمة الافتراضية للمهمة coco8.yaml.

مثال

تحقّق من نموذج YOLO26n رسمي:

yolo detect val model=yolo26n.pt data=coco8.yaml

التنبؤ#

استخدم نموذجًا مدرّبًا لإجراء تنبؤات على الصور.

مثال

نفّذ التنبؤ باستخدام نموذج YOLO26n رسمي:

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

التصدير#

صدّر نموذجًا إلى تنسيق آخر مثل ONNX أو CoreML.

مثال

صدّر نموذج YOLO26n رسميًا إلى تنسيق ONNX:

yolo export model=yolo26n.pt format=onnx

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

التنسيقوسيط formatالنموذجالبيانات الوصفيةالوسيطات
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, quantize, dynamic, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, quantize, dynamic, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, quantize, nms, batch, device
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, quantize, opset, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, opset, batch, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, quantize, opset, data, fraction, device
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, dynamic, quantize, simplify, opset, nms, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, quantize, device
IMX500imxyolo11n_imx_model/✅imgsz, quantize, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, quantize, batch, data, fraction, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, quantize, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, quantize, simplify, opset, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou, device
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms, device
AMD Xilinxxilinxyolo26n_xilinx_model/✅imgsz, name, quantize, data, fraction, opset, simplify, device
NXPnxpyolo26n_nxp.tflite✅imgsz, quantize, data, fraction, device

يُخرج nms=None افتراضيًا مخرجات خامًا لاستخدام NMS خارجي (ويحتفظ YOLO26 برأسه الخالي من NMS على Axelera). اضبط nms=False لتحديد رأس خالٍ من NMS متاح؛ أما التنسيقات غير المدعومة فتعود إلى مسار الإخراج الأصلي الخاص بها. تحدد إدخالات nms أعلاه التنسيقات التي يمكنها تضمين NMS باستخدام nms=True.

اطّلع على التفاصيل الكاملة لـ export في صفحة التصدير.

تجاوز الوسيطات الافتراضية#

يمكنك تجاوز الوسيطات الافتراضية بتمريرها عبر CLI في أزواج arg=value.

نصيحة

درّب نموذجًا للكشف لمدة 10 عصور بمعدل تعلّم قدره 0.01:

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

تجاوز ملف الإعدادات الافتراضي#

تجاوز ملف الإعدادات default.yaml بالكامل بتمرير ملف جديد باستخدام الوسيطة cfg، مثل cfg=custom.yaml.

للقيام بذلك، أنشئ أولًا نسخة من default.yaml في دليل العمل الحالي باستخدام الأمر yolo copy-cfg، الذي ينشئ ملف default_copy.yaml.

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

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

أوامر الحلول#

توفر Ultralytics حلولًا جاهزة للاستخدام لتطبيقات الرؤية الحاسوبية الشائعة عبر CLI. يتيح الأمر yolo solutions عدّ الكائنات، والقص، والتمويه، ومراقبة التمارين، والخرائط الحرارية، وتقسيم الكائنات، وVisionEye، وتقدير السرعة، وإدارة الطوابير، والتحليلات، والاستدلال باستخدام Streamlit، والتتبع القائم على المناطق، وعدّ المناطق، وإنذارات الأمان، وإدارة مواقف السيارات — راجع صفحة الحلول للاطلاع على الكتالوج الكامل. شغّل yolo solutions help لسرد كل الحلول المدعومة ووسائطها.

مثال

عدّ الكائنات في مقطع 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، تفضّل بزيارة صفحة الحلول.

الأسئلة الشائعة#

  • لتدريب نموذج باستخدام CLI، نفّذ أمرًا في سطر واحد في الطرفية. على سبيل المثال، لتدريب نموذج كشف لمدة 10 عصور، شغّل:

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

    يستخدم هذا الأمر وضع train مع وسائط محددة. للاطلاع على القائمة الكاملة بالوسائط المتاحة، راجع دليل الإعدادات.

  • يدعم CLI الخاص بـ Ultralytics YOLO مهامًا متنوعة، منها الكشف، والتقسيم، والتقسيم الدلالي، وتقدير العمق، والتصنيف، وتقدير الوضعية، وكشف مربعات الإحاطة الموجّهة. ويمكنك أيضًا تنفيذ عمليات مثل:

    • تدريب نموذج: شغّل yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
    • إجراء التنبؤات: استخدم yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
    • تصدير نموذج: نفّذ yolo export model=<model.pt> format=<export_format>.
    • استخدام الحلول: شغّل yolo solutions <solution_name> للتطبيقات الجاهزة.

    خصّص كل مهمة باستخدام وسائط متنوعة. للاطلاع على الصياغة والأمثلة التفصيلية، راجع الأقسام ذات الصلة مثل التدريب، والتنبؤ، والتصدير.

  • للتحقق من دقة النموذج، استخدم وضع val. على سبيل المثال، للتحقق من نموذج كشف مدرّب مسبقًا بحجم دفعة 1 وحجم صورة 640، نفّذ:

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

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

  • يمكنك تصدير نماذج YOLO إلى تنسيقات متنوعة، منها ONNX وTensorRT وCoreML وTensorFlow وغيرها. على سبيل المثال، لتصدير نموذج إلى تنسيق ONNX، شغّل:

    yolo export model=yolo26n.pt format=onnx

    يدعم أمر التصدير خيارات عديدة لتحسين نموذجك لبيئات نشر محددة. للاطلاع على التفاصيل الكاملة لجميع تنسيقات التصدير المتاحة ومعلماتها الخاصة، تفضّل بزيارة صفحة التصدير.

  • توفر Ultralytics حلولًا جاهزة للاستخدام عبر الأمر solutions. على سبيل المثال، لعدّ الكائنات في مقطع فيديو:

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

    لا تتطلب هذه الحلول سوى إعدادات بسيطة، وتوفر وظائف فورية لمهام الرؤية الحاسوبية الشائعة. للاطلاع على جميع الحلول المتاحة، شغّل yolo solutions help. لكل حل معلمات محددة يمكن تخصيصها لتلبية احتياجاتك.

التعليقات28

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.

  1. Lishiquan12GitHub

    Usage: yolo [OPTIONS] COMMAND [ARGS]... Try 'yolo -h' for help.

    Error: No such command 'detect'. why?

    1
    1. Glenn JocherUltralytics

      嘿!看起来你在尝试使用 detect 命令,但这实际上并不直接作为命令使用。😅 在YOLOv8 CLI中,detect 更像是一个任务类型标识符,而不是直接使用的命令。

      比如说,如果你想要对一张图片进行预测(检测),你可以这样做:

      yolo detect predict model=yolov8n.pt source='path/to/image.jpg'

      这里 detect 指出你想要进行的是物体检测任务,predict 是你想要进行的模式,接着是模型和图像源的具体参数。🔍

      确保检查 Ultralytics YOLO 文档 获取更多详细信息和参数选项!希望这有助于解决问题!

    2. Glenn JocherUltralytics

      看起来你遇到了 'yolo detect' 是无效命令 的问题。 😊 对于YOLOv8 CLI的用法, 实际上你不需要直接使用 "detect" 作为命令。以下是一个简单的例子,演示如何正确地使用 CLI 来运行一个预测:

      yolo predict model=yolov8n.pt source='path/to/your/image.jpg'

      在这个例子中,我们使用 predict 而不是 detect,然后指定模型和要进行预测的数据源。希望这能帮助到你!如果还有其他疑问,欢迎继续提问。👍

  2. User

    Hello Team Ultralytics,

    Good morning!

    Many thanks for the great work.

    Couple of questions:

    1. How can i generate same graphs (graphs after training) after using the trained model on my unsense samples data?
    2. I can use the target folder after training the model, however, it only exports the images with the prediction boxes. I want to have a pie chart or bar chart or even the same plots it exports after the training run
    3. For the object detection via a video, if i have 4 images to display in one second, the model looks the same image multiple times. How can we correct the frames reading?

    Looking forward to your kind input,

    Kind regards,

    MUK

    1. Glenn JocherUltralytics(تم التعديل)

      @yizhihuo666 好问题!当你更新到最新版本的Ultralytics库时,不指定模型时使用的默认模型会随版本更新(现在检测任务默认为 yolo26n.pt)。这就是为什么你的原始命令会提示下载新的默认模型文件。

      如果你想继续使用YOLOv8模型,可以显式指定模型路径:

      yolo train model=yolov8n.pt data=your_data.yaml epochs=100

      如果你想使用最新的YOLO26模型(推荐),可以直接使用:

      yolo train model=yolo26n.pt data=your_data.yaml epochs=100

      YOLO26提供了更好的性能和准确性,所以建议升级到新模型。

      @duoerku 请在GitHub上提出具体的技术问题,我们会在这里为你提供支持,无法提供私人联系方式。

    2. yizhihuo666GitHub

      Thank you for your reply. As you mentioned, the system has now been updated to the YOLOv11 algorithm. I would like to know how I should proceed if I want to train the yolov8n.pt model using the YOLOv8 algorithm. Do I need to revert to a previous version of Ultralytics?

    3. Glenn JocherUltralytics(تم التعديل)

      @yizhihuo666 You don't need to downgrade Ultralytics! The current version still fully supports YOLOv8 models. Simply specify the YOLOv8 model explicitly in your command:

      yolo train model=yolov8n.pt data=your_data.yaml epochs=100

      The latest Ultralytics version supports both YOLOv8 and YOLO26 models - it just defaults to the current default model (yolo26n.pt for detection) when no model is specified. By explicitly using model=yolov8n.pt, you'll train with the YOLOv8 architecture as intended.

  3. yizhihuo666GitHub

    May I ask which algorithm is used by default for training through the ultralytic command line, YOLOV8 or YOLOV11

    1. yizhihuo666GitHub

      I trained yolov8n.pt using the command line in 2023 and recently updated the latest version of the ultralytic library. I found that when I used the original command, it kept prompting me to download the yolo11n.pt file

  4. muhammadrizwan11GitHub

    I noticed some discrepancies in the training and validation commands under the CLI chapter of the Ultralytics YOLO documentation. The documented training command is written as '' yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 '' but the correct command should be '' yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01'' The word "detect" should be removed. Similarly, the validation command is written as '' yolo detect val model=yolo11n.pt'' , whereas the correct command should be '' yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640 ''. Again, "detect" is unnecessary, and important parameters such as the dataset (data=coco8.yaml), batch size (batch=1), and image size (imgsz=640) are missing. These inconsistencies might cause confusion for users following the documentation. Could the team review and update this section for accuracy? i am also doing working in yolo https://github.com/muhammadrizwan11

    1. Glenn JocherUltralytics

      @muhammadrizwan11 thank you for pointing this out! You're correct that the detect task argument is optional in CLI commands when the model type is specified, as YOLO can infer the task from the model name. Both yolo detect train and yolo train syntaxes are valid, but we'll standardize the docs to use the more concise form where possible. The validation example should indeed include explicit parameters for clarity, even though data is inherited from training. We'll update the documentation to reflect these points. For reference, see the CLI Syntax section in the Ultralytics YOLO documentation.

  5. aryakptGitHub

    HI, can you help me, how do i save the validation result if i use CLI? Because i clone github ultralytics directly

    1. Glenn JocherUltralytics(تم التعديل)

      @aryakpt validation results (metrics and plots such as the confusion matrix) are saved to a run folder like runs/detect/val by default. Add save_json=True to also save predictions as a COCO-format JSON file:

      yolo val model=path/to/best.pt data=data.yaml save_json=True

    2. aryakptGitHub(تم التعديل)

      thanks glenn for the response. but how can i access the val result like this using CLI? I want to save it in a variable

      best_model = YOLO(f"{output_path}/train{suffix}/weights/best.pt")
      val_result = best_model.val(data=data,  project=output_path)
      map50 = val_result.box.map50
    3. Glenn JocherUltralytics(تم التعديل)

      The CLI doesn't return variables, and save_json=True saves per-image predictions in COCO JSON format rather than the summary metrics. To access metrics like mAP50 programmatically, use the Python API:

      from ultralytics import YOLO
      
      metrics = YOLO("path/to/best.pt").val(data="data.yaml")
      print(metrics.box.map50)

      For details, see the Val mode documentation.

  6. sakrigGitHub

    Apple's NeuralEngine API accelerates models for all new Apple products with the M4 chips.

    Does the IOS CLI app use the NeuralEngine for all Apple M4 products? Does Ultralytics support the M4 processor on the latest Mac, MacMini, Mac Pro, iPad, iPhone ...?

    Seems straight forward to support the M4 NeuralEngine for all Apple products, but I have not tried.

    1. Glenn JocherUltralytics

      @sakrig ultralytics YOLO models can be exported to CoreML format for Apple devices, which leverages Apple's native acceleration including NeuralEngine where available. For M4 support, ensure you're using the latest PyTorch versions with macOS MPS backend. See our CoreML export docs for implementation details.

    1. Glenn JocherUltralytics

      @arasul42 yes, you can pass a hyperparameter file in the CLI using the cfg argument, like this: yolo train cfg=your_hyperparameters.yaml.

      2
    1. Glenn JocherUltralytics

      @duoerku 你好!很抱歉,我们无法通过电话或微信进行交流,但我们很乐意在这个问题跟踪系统中帮助你解决任何有关Ultralytics YOLO的问题。如果你有任何技术问题或需要进一步的帮助,请随时在这里详细说明,我们会尽快给你回复。感谢你的理解,并期待你的回复。🙂

    1. Paula DerrengerUltralytics

      您好,谢谢您对Ultralytics YOLOv8的兴趣!🚀 对于技术支持和进一步的沟通,请优先利用GitHub Issues功能提出您的问题或需求,这样我们能够提供更有条理且可追踪的支持。

      就您提供的信息来看,您似乎对命令行界面(CLI)的使用方法有兴趣,这里是可以通过几个简单示例来帮助您开始:

      1. 训练一个模型:

        yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01
      2. 运行预测:

        yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
      3. 验证模型:

        yolo val model=yolov8n.pt data=coco128.yaml batch=1 imgsz=640
      4. 导出模型为ONNX格式:

        yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128

      更多详细命令和选项,请参阅我们的官方文档。如果有更具体的问题或需求,欢迎在GitHub上开启一个issue进行讨论。🤗