Ultralytics YOLO27:

Command Line Interface#

Die Ultralytics Befehlszeilenschnittstelle (CLI) bietet eine unkomplizierte Möglichkeit, Ultralytics YOLO-Modelle ohne Python-Umgebung zu nutzen. Die CLI unterstützt das direkte Ausführen verschiedener Aufgaben aus dem Terminal mit dem Befehl yolo, wobei keine Anpassungen oder Python-Code erforderlich sind.



Watch: Mastering Ultralytics YOLO: CLI
Beispiel

Ultralytics-Befehle vom Typ yolo verwenden die folgende Syntax:

yolo TASK MODE ARGS

Dabei gilt:

  • TASK (optional) ist eines von [detect, segment, semantic, depth, classify, pose, obb]
  • MODE (erforderlich) ist eines von [train, val, predict, export, track, benchmark]
  • ARGS (optional) sind beliebig viele benutzerdefinierte arg=value-Paare wie imgsz=320, die Standardwerte überschreiben.

Sieh dir alle Argumente in der vollständigen Konfigurationsanleitung oder mit yolo cfg an.

Dabei gilt:

  • TASK (optional) ist eines von [detect, segment, semantic, depth, classify, pose, obb]. Wenn es nicht explizit übergeben wird, versucht YOLO, das TASK aus dem Modelltyp abzuleiten.
  • MODE (erforderlich) ist eines von [train, val, predict, export, track, benchmark]
  • ARGS (optional) sind beliebig viele benutzerdefinierte arg=value-Paare wie imgsz=320, die Standardwerte überschreiben. Eine vollständige Liste der verfügbaren ARGS findest du auf der Seite Konfiguration und unter default.yaml.
Warnung

Argumente müssen als arg=val-Paare übergeben werden, die durch ein Gleichheitszeichen = getrennt und durch Leerzeichen zwischen den Paaren abgegrenzt sind. Verwende keine ---Argumentpräfixe oder Kommas , zwischen Argumenten.

  • 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 ❌

Trainieren#

Trainiere YOLO auf dem COCO8-Datensatz für 100 Epochen bei einer Bildgröße von 640. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite Konfiguration.

Beispiel

Starte das Training von YOLO26n auf COCO8 für 100 Epochen bei einer Bildgröße von 640:

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

Validierung#

Überprüfe die Genauigkeit des trainierten Modells auf dem COCO8-Datensatz. Es sind keine Argumente erforderlich, da model seine Trainings-data und Argumente als Modellattribute beibehält.

Beispiel

Validiere ein offizielles YOLO26n-Modell:

yolo detect val model=yolo26n.pt

Vorhersage#

Verwende ein trainiertes Modell, um Vorhersagen auf Bildern auszuführen.

Beispiel

Führe Vorhersagen mit einem offiziellen YOLO26n-Modell aus:

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

Export#

Exportere ein Modell in ein anderes Format wie ONNX oder CoreML.

Beispiel

Exportere ein offizielles YOLO26n-Modell in das ONNX-Format:

yolo export model=yolo26n.pt format=onnx

Verfügbare Ultralytics-Exportformate sind in der folgenden Tabelle aufgeführt. Du kannst in jedes Format exportieren, indem du das Argument format verwendest, d. h. format='onnx' oder format='engine'.

FormatArgument formatModellMetadatenArgumente
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
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, keras, 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
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, dynamic, quantize, simplify, opset, nms, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, quantize, batch, device
IMX500imxyolo26n_imx_model/✅imgsz, quantize, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, 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
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize

nms=None verwendet standardmäßig Rohausgaben für externes NMS. Setze nms=False, um einen verfügbaren NMS-freien Kopf auszuwählen; nicht unterstützte Formate greifen auf ihren nativen Ausgabepfad zurück. Die Einträge nms oben identifizieren Formate, die NMS mit nms=True einbetten können.

Siehe vollständige Details zu export auf der Seite Export.

Standardargumente überschreiben#

Überschreibe Standardargumente, indem du sie in der CLI als arg=value-Paare übergibst.

Tipp

Trainiere ein Detektionsmodell für 10 Epochen mit einer Lernrate von 0,01:

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

Standardkonfigurationsdatei überschreiben#

Überschreibe die Konfigurationsdatei default.yaml vollständig, indem du eine neue Datei mit dem Argument cfg übergibst, wie zum Beispiel cfg=custom.yaml.

Erstelle dazu zunächst eine Kopie von default.yaml in deinem aktuellen Arbeitsverzeichnis mit dem Befehl yolo copy-cfg, wodurch eine default_copy.yaml-Datei erstellt wird.

Du kannst diese Datei dann als cfg=default_copy.yaml zusammen mit zusätzlichen Argumenten übergeben, wie in diesem Beispiel mit imgsz=320:

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

Lösungsbefehle#

Ultralytics bietet über die CLI einsatzbereite Lösungen für gängige Computer-Vision-Anwendungen. Der Befehl yolo solutions ermöglicht Objektzählung, Zuschneiden, Weichzeichnen, Trainingsempfehlungen, Heatmaps, Instanzsegmentierung, VisionEye, Geschwindigkeitsmessung, Warteschlangenverwaltung, Analysen, Streamlit-Inferenz und zonenbasiertes Tracking – den vollständigen Katalog findest du auf der Seite Lösungen. Führe yolo solutions help aus, um alle unterstützten Lösungen und deren Argumente aufzulisten.

Beispiel

Zähle Objekte in einem Video oder Live-Stream:

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

Weitere Informationen zu Ultralytics-Lösungen findest du auf der Seite Lösungen.

FAQ#

  • Um ein Modell über die CLI zu trainieren, führe einen einzeiligen Befehl im Terminal aus. Führe beispielsweise den Befehl aus, um ein Detektionsmodell für 10 Epochen mit einer Lernrate von 0,01 zu trainieren:

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

    Dieser Befehl verwendet den Modus train mit spezifischen Argumenten. Eine vollständige Liste der verfügbaren Argumente findest du in der Konfigurationsanleitung.

  • Die Ultralytics YOLO CLI unterstützt verschiedene Aufgaben, darunter Erkennung, Segmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Posen-Schätzung und orientierte Bounding-Box-Erkennung. Du kannst auch Operationen ausführen wie:

    • Modell trainieren: Führe yolo train data=<data.yaml> model=<model.pt> epochs=<num> aus.
    • Vorhersagen ausführen: Verwende yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
    • Modell exportieren: Führe yolo export model=<model.pt> format=<export_format> aus.
    • Lösungen verwenden: Führe yolo solutions <solution_name> für vorgefertigte Anwendungen aus.

    Passe jede Aufgabe mit verschiedenen Argumenten an. Detaillierte Syntax und Beispiele findest du in den jeweiligen Abschnitten wie Trainieren, Vorhersagen und Exportieren.

  • Um die Genauigkeit eines Modells zu validieren, verwende den Modus val. Führe beispielsweise zur Validierung eines vortrainierten Detektionsmodells mit einer Batch-Größe von 1 und einer Bildgröße von 640 Folgendes aus:

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

    Dieser Befehl bewertet das Modell anhand des angegebenen Datensatzes und liefert Leistungsmetriken wie mAP, Präzision und Rückruf. Weitere Details findest du im Abschnitt Val.

  • Du kannst YOLO-Modelle in verschiedene Formate exportieren, darunter ONNX, TensorRT, CoreML, TensorFlow und mehr. Führe beispielsweise Folgendes aus, um ein Modell in das ONNX-format zu exportieren:

    yolo export model=yolo26n.pt format=onnx

    Der Exportbefehl unterstützt zahlreiche Optionen zur Optimierung deines Modells für bestimmte Bereitstellungsumgebungen. Vollständige Details zu allen verfügbaren Exportformaten und deren spezifischen Parametern findest du auf der Seite Export.

  • Ultralytics bietet einsatzbereite Lösungen über den Befehl solutions. Führe beispielsweise Folgendes aus, um Objekte in einem Video zu zählen:

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

    Diese Lösungen erfordern nur minimale Konfiguration und bieten sofortige Funktionalität für gängige Computer-Vision-Aufgaben. Um alle verfügbaren Lösungen anzuzeigen, führe yolo solutions help aus. Jede Lösung verfügt über spezifische Parameter, die an deine Bedürfnisse angepasst werden können.

Mitwirkende
GLglenn-jocher27AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Kommentare