انتقل إلى المحتوى

استخدام واجهة سطر الأوامر

ال YOLO واجهة سطر الأوامر (CLI) يسمح بأوامر بسيطة من سطر واحد دون الحاجة إلى Python وسط. CLI لا يتطلب أي تخصيص أو Python رمز. يمكنك ببساطة تشغيل جميع المهام من الجهاز باستخدام yolo أمر.



شاهد: اتقان Ultralytics YOLOv8: CLI

مثل

Ultralytics yolo تستخدم الأوامر بناء الجملة التالي:

yolo TASK MODE ARGS

Where   TASK (optional) is one of [detect, segment, classify]
        MODE (required) is one of [train, val, predict, export, track]
        ARGS (optional) are any number of custom 'arg=value' pairs like 'imgsz=320' that override defaults.
شاهد جميع ARGS بالكامل دليل التكوين أو مع yolo cfg

تدريب نموذج كشف ل 10 حقب مع learning_rate أولي يبلغ 0.01

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

توقع مقطع فيديو على YouTube باستخدام نموذج تجزئة تم اختباره مسبقا بحجم الصورة 320:

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

Val نموذج كشف تم اختباره مسبقا بحجم الدفعة 1 وحجم الصورة 640:

yolo val model=yolov8n.pt data=coco8.yaml batch=1 imgsz=640

تصدير أ YOLOv8n نموذج التصنيف إلى ONNX بحجم الصورة 224 × 128 (لا توجد مهمة مطلوبة)

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

قم بتشغيل أوامر خاصة لمعرفة الإصدار وعرض الإعدادات وتشغيل عمليات التحقق والمزيد:

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

أين:

  • TASK (اختياري) هو واحد من [detect, segment, classify]. إذا لم يتم تمريره صراحة YOLOv8 سيحاول تخمين TASK من نوع النموذج.
  • MODE (مطلوب) هو واحد من [train, val, predict, export, track]
  • ARGS (اختياري) هي أي عدد من العرف arg=value أزواج مثل imgsz=320 التي تتجاوز الإعدادات الافتراضية. للحصول على قائمة كاملة من المتاحة ARGS انظر تكوين الصفحة و defaults.yaml

تحذير

يجب تمرير الحجج ك arg=val أزواج ، مقسومة على يساوي = التوقيع والتحديد بمسافات بين أزواج. لا تستخدم -- بادئات الوسيطة أو الفواصل , بين الحجج.

  • yolo predict model=yolov8n.pt imgsz=640 conf=0.25   ✅
  • yolo predict model yolov8n.pt imgsz 640 conf 0.25   ❌
  • yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25   ❌

قطار

قطار YOLOv8n على مجموعة بيانات COCO8 ل 100 حقبة بحجم الصورة 640. للحصول على قائمة كاملة بالوسيطات المتاحة، راجع صفحة التكوين .

مثل

ابدأ التدريب YOLOv8n على COCO8 لمدة 100 حقبة بحجم الصورة 640.

yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

استئناف التدريب المتقطع.

yolo detect train resume model=last.pt

فال

التحقق من صحة المدربين YOLOv8n دقة النموذج على مجموعة بيانات COCO8. لا حاجة لتمرير أي حجة على أنها model تحتفظ بتدريبها data والحجج كسمات نموذجية.

مثل

التحقق من صحة مسؤول YOLOv8n نموذج.

yolo detect val model=yolov8n.pt

التحقق من صحة نموذج مدرب خصيصا.

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

تنبأ

استخدم مدربا YOLOv8n نموذج لتشغيل التنبؤات على الصور.

مثل

توقع مع مسؤول YOLOv8n نموذج.

yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

توقع باستخدام نموذج مخصص.

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

تصدير

تصدير أ YOLOv8n نموذج إلى تنسيق مختلف مثل ONNX, CoreMLالخ.

مثل

تصدير مسؤول YOLOv8n نموذج ل ONNX تنسيق.

yolo export model=yolov8n.pt format=onnx

تصدير نموذج مدرب خصيصا إلى ONNX تنسيق.

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

متوفر YOLOv8 تنسيقات التصدير موجودة في الجدول أدناه. يمكنك التصدير إلى أي تنسيق باستخدام format الحجة ، أي format='onnx' أو format='engine'.

تنسيق format جدال نموذج البيانات الوصفية الحجج
PyTorch - yolov8n.pt -
TorchScript torchscript yolov8n.torchscript imgsz, optimize, batch
ONNX onnx yolov8n.onnx imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolov8n_openvino_model/ imgsz, half, int8, batch
TensorRT engine yolov8n.engine imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolov8n.mlpackage imgsz, half, int8, nms, batch
TF SavedModel saved_model yolov8n_saved_model/ imgsz, keras, int8, batch
TF GraphDef pb yolov8n.pb imgsz, batch
TF لايت tflite yolov8n.tflite imgsz, half, int8, batch
TF حافة TPU edgetpu yolov8n_edgetpu.tflite imgsz
TF.شبيبه tfjs yolov8n_web_model/ imgsz, half, int8, batch
PaddlePaddle paddle yolov8n_paddle_model/ imgsz, batch
NCNN ncnn yolov8n_ncnn_model/ imgsz, half, batch

شاهد التفاصيل export التفاصيل في تصدير صفحة.

تجاوز الوسيطات الافتراضية

يمكن تجاوز الوسيطات الافتراضية ببساطة عن طريق تمريرها كوسيطات في CLI في arg=value ازواج.

تدريب نموذج الكشف عن 10 epochs مع learning_rate من 0.01

yolo detect train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

توقع مقطع فيديو على YouTube باستخدام نموذج تجزئة تم اختباره مسبقا بحجم الصورة 320:

yolo segment predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

تحقق من صحة نموذج اكتشاف تم اختباره مسبقا بحجم الدفعة 1 وحجم الصورة 640:

yolo detect val model=yolov8n.pt data=coco8.yaml batch=1 imgsz=640

تجاوز ملف التكوين الافتراضي

يمكنك تجاوز default.yaml تكوين ملف بالكامل عن طريق تمرير ملف جديد مع cfg الحجج ، أي cfg=custom.yaml.

للقيام بذلك أولا ، قم بإنشاء نسخة من default.yaml في مدير العمل الحالي الخاص بك مع yolo copy-cfg أمر.

سيؤدي ذلك إلى إنشاء default_copy.yaml، والتي يمكنك بعد ذلك تمريرها ك cfg=default_copy.yaml جنبا إلى جنب مع أي args إضافية ، مثل imgsz=320 في هذا المثال:

مثل

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

الأسئلة المتداولة

كيف يمكنني استخدام واجهة سطر الأوامر Ultralytics YOLOv8 (CLI) لتدريب النموذج؟

لتدريب نموذج YOLOv8 باستخدام CLI ، يمكنك تنفيذ أمر بسيط من سطر واحد في المحطة الطرفية. على سبيل المثال، لتدريب نموذج اكتشاف لـ 10 حلقات بمعدل تعلم 0.01، يمكنك تشغيل

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

يستخدم هذا الأمر train بوسائط محددة. ارجع إلى القائمة الكاملة للوسائط المتوفرة في دليل التكوين.

ما المهام التي يمكنني القيام بها باستخدام Ultralytics YOLOv8 CLI ؟

يدعم الموقع الإلكتروني Ultralytics YOLOv8 CLI مجموعة متنوعة من المهام بما في ذلك الكشف والتجزئة والتصنيف والتحقق والتنبؤ والتصدير والتتبع. على سبيل المثال

  • 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>.

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

كيف يمكنني التحقق من دقة نموذج YOLOv8 المدرب باستخدام CLI ؟

للتحقق من صحة دقة نموذج YOLOv8 ، استخدم أداة val الوضع. على سبيل المثال، للتحقق من صحة نموذج اكتشاف تم تدريبه مسبقًا بحجم دفعة 1 وحجم الصورة 640، قم بتشغيل:

yolo val model=yolov8n.pt data=coco8.yaml batch=1 imgsz=640

يقيّم هذا الأمر النموذج على مجموعة البيانات المحددة ويوفر مقاييس الأداء. لمزيد من التفاصيل، راجع قسم Val.

ما هي التنسيقات التي يمكنني تصدير نماذج YOLOv8 الخاصة بي إليها باستخدام CLI ؟

YOLOv8 يمكن تصدير النماذج إلى صيغ مختلفة مثل ONNX و CoreML و TensorRT وغيرها. على سبيل المثال، لتصدير نموذج إلى تنسيق ONNX ، قم بتشغيل:

yolo export model=yolov8n.pt format=onnx

للحصول على التفاصيل الكاملة، قم بزيارة صفحة التصدير.

كيف يمكنني تخصيص أوامر YOLOv8 CLI لتجاوز الوسيطات الافتراضية؟

لتجاوز الوسيطات الافتراضية في الأوامر YOLOv8 CLI ، قم بتمريرها على أنها arg=value أزواج. على سبيل المثال، لتدريب نموذج باستخدام وسيطات مخصصة، استخدم:

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

للحصول على قائمة كاملة بالوسائط المتاحة وأوصافها، راجع دليل التكوين. تأكد من تنسيق الوسيطات بشكل صحيح، كما هو موضح في قسم تجاوز الوسيطات الافتراضية.



تم الإنشاء 2023-11-12، تم التحديث 2024-07-04
المؤلفون: جلين-جوتشر (19)، أمبيتيوس-أكتوبوس (1)، برهان-ك (3)، رضوان منور (1)، أيوش إكسل (1)، الضاحك-ك (1)، shuizhuyuanluo@126.com (1)

التعليقات