Zum Inhalt springen

Befehlszeilenschnittstelle

Die Ultralytics-Befehlszeilenschnittstelle (CLI) bietet eine unkomplizierte Möglichkeit, Ultralytics YOLO-Modelle zu verwenden, ohne dass eine Python-Umgebung erforderlich ist. Die CLI unterstützt die Ausführung verschiedener Aufgaben direkt über das Terminal mit dem yolo Befehl, der keine Anpassung oder Python-Code erfordert.



Ansehen: Ultralytics YOLO meistern: CLI

Beispiel

Ultralytics yolo Befehle verwenden die folgende Syntax:

yolo TASK MODE ARGS

Wo: - TASK (optional) ist eine von [detect, segment, classify, pose, obb] MODE (erforderlich) ist eine von [train, val, predict, export, track, benchmark] - ARGS (optional) ist eine beliebige Anzahl von benutzerdefinierten arg=value Paare wie imgsz=320 die Standardwerte überschreiben.

Alle ARGS in der vollständigen Konfigurationsleitfaden oder mit yolo cfg.

Trainieren Sie ein Erkennungsmodell für 10 Epochen mit einer anfänglichen Lernrate von 0,01:

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Vorhersage mit einem vortrainierten Segmentierungsmodell auf einem YouTube-Video mit einer Bildgröße von 320:

yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Validierung eines vortrainierten Erkennungsmodells mit einer Batch-Größe von 1 und einer Bildgröße von 640:

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

Exportieren eines YOLO-Klassifizierungsmodells in das ONNX-Format mit der Bildgröße 224x128 (keine TASK erforderlich):

yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128

Führen Sie spezielle Befehle aus, um Version, Einstellungen, Ausführungsprüfungen und mehr anzuzeigen:

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

Wobei:

  • TASK (optional) ist eines von [detect, segment, classify, pose, obb]. Wenn nicht explizit übergeben, versucht YOLO, die TASK aus dem Modelltyp zu erraten.
  • MODE (erforderlich) ist eines von [train, val, predict, export, track, benchmark]
  • ARGS (optional) ist eine beliebige Anzahl von benutzerdefinierten arg=value Paare wie imgsz=320 die Standardwerte überschreiben. Eine vollständige Liste der verfügbaren ARGS, siehe die Konfiguration Seite und defaults.yaml.

Warnung

Argumente müssen als arg=val Paare, getrennt durch ein Gleichheitszeichen = und durch Leerzeichen zwischen den Paaren begrenzt. Verwenden Sie keine -- Argumentpräfixe oder Kommas , zwischen Argumenten.

  • yolo predict model=yolo11n.pt imgsz=640 conf=0.25   ✅
  • yolo predict model yolo11n.pt imgsz 640 conf 0.25   ❌
  • yolo predict --model yolo11n.pt --imgsz 640 --conf 0.25   ❌

Trainieren

Trainieren Sie YOLO auf dem COCO8-Datensatz für 100 Epochen bei einer Bildgröße von 640. Eine vollständige Liste der verfügbaren Argumente finden Sie auf der Seite Konfiguration.

Beispiel

Starten Sie das YOLO11n-Training auf COCO8 für 100 Epochen bei einer Bildgröße von 640:

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Eine unterbrochene Trainingssitzung fortsetzen:

yolo detect train resume model=last.pt

Validieren

Validieren Sie die Genauigkeit des trainierten Modells auf dem COCO8-Datensatz. Es werden keine Argumente benötigt, da die model behält sein Training data und Argumente als Modellattribute.

Beispiel

Validierung eines offiziellen YOLO11n-Modells:

yolo detect val model=yolo11n.pt

Validierung eines benutzerdefiniert trainierten Modells:

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

Vorhersagen

Verwenden Sie ein trainiertes Modell, um Vorhersagen auf Bildern auszuführen.

Beispiel

Vorhersage mit einem offiziellen YOLO11n-Modell:

yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

Vorhersage mit einem benutzerdefinierten Modell:

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

Export

Exportieren eines Modells in ein anderes Format wie ONNX oder CoreML.

Beispiel

Exportieren eines offiziellen YOLO11n-Modells in das ONNX-Format:

yolo export model=yolo11n.pt format=onnx

Exportieren eines benutzerdefinierten trainierten Modells in das ONNX-Format:

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

Die verfügbaren Ultralytics-Exportformate sind in der folgenden Tabelle aufgeführt. Sie können in jedes Format exportieren, indem Sie die format Argument, d.h. format='onnx' oder format='engine'.

Format format Argument Modell Metadaten Argumente
PyTorch - yolo11n.pt -
TorchScript torchscript yolo11n.torchscript imgsz, half, dynamic, optimize, nms, batch, device
ONNX onnx yolo11n.onnx imgsz, half, dynamic, simplify, opset, nms, batch, device
OpenVINO openvino yolo11n_openvino_model/ imgsz, half, dynamic, int8, nms, batch, data, fraction, device
TensorRT engine yolo11n.engine imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device
CoreML coreml yolo11n.mlpackage imgsz, half, int8, nms, batch, device
TF SavedModel saved_model yolo11n_saved_model/ imgsz, keras, int8, nms, batch, device
TF GraphDef pb yolo11n.pb imgsz, batch, device
TF Lite tflite yolo11n.tflite imgsz, half, int8, nms, batch, data, fraction, device
TF Edge TPU edgetpu yolo11n_edgetpu.tflite imgsz, device
TF.js tfjs yolo11n_web_model/ imgsz, half, int8, nms, batch, device
PaddlePaddle paddle yolo11n_paddle_model/ imgsz, batch, device
MNN mnn yolo11n.mnn imgsz, batch, int8, half, device
NCNN ncnn yolo11n_ncnn_model/ imgsz, half, batch, device
IMX500 imx yolo11n_imx_model/ imgsz, int8, data, fraction, device
RKNN rknn yolo11n_rknn_model/ imgsz, batch, name, device

Vollständige export Details zu den Export Seite.

Standardargumente überschreiben

Überschreiben Sie die Standardargumente, indem Sie sie in der CLI übergeben als arg=value Paaren übergibt.

Tipp

Trainieren Sie ein Erkennungsmodell für 10 Epochen mit einer Lernrate von 0,01:

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Vorhersage mit einem vortrainierten Segmentierungsmodell auf einem YouTube-Video mit einer Bildgröße von 320:

yolo segment predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Validierung eines vortrainierten Erkennungsmodells mit einer Batch-Größe von 1 und einer Bildgröße von 640:

yolo detect val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

Standardkonfigurationsdatei überschreiben

Überschreiben Sie die default.yaml Konfigurationsdatei vollständig, indem eine neue Datei mit der cfg Argument, wie z.B. cfg=custom.yaml.

Erstellen Sie dazu zunächst eine Kopie von default.yaml in Ihrem aktuellen Arbeitsverzeichnis mit dem yolo copy-cfg Befehl, der ein(e) erzeugt default_copy.yaml Datei gespeichert werden.

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

Beispiel

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

Lösungsbefehle

Ultralytics bietet über die CLI sofort einsatzbereite Lösungen für gängige Computer-Vision-Anwendungen. Diese Lösungen vereinfachen die Implementierung komplexer Aufgaben wie Objektzählung, Trainingsüberwachung und Warteschlangenverwaltung.

Beispiel

Objekte in einem Video oder Live-Stream zählen:

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

Überwachen Sie Trainingsübungen mit einem Pose-Modell:

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

# Use keypoints for ab-workouts
yolo solutions workout kpts=[5, 11, 13] # left side
yolo solutions workout kpts=[6, 12, 14] # right side

Objekte in einer bestimmten Warteschlange oder Region zählen:

yolo solutions queue show=True
yolo solutions queue source="path/to/video.mp4"                                # specify video file path
yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # configure queue coordinates

Führen Sie Objekterkennung, Instanzsegmentierung oder Pose-Schätzung in einem Webbrowser mit Streamlit durch:

yolo solutions inference
yolo solutions inference model="path/to/model.pt" # use custom model

Verfügbare Lösungen und ihre Optionen anzeigen:

yolo solutions help

Für weitere Informationen zu Ultralytics-Lösungen besuchen Sie die Seite Lösungen.

FAQ

Wie verwende ich die Ultralytics YOLO-Befehlszeilenschnittstelle (CLI) für das Modelltraining?

Um ein Modell mit der CLI zu trainieren, führen Sie einen einzeiligen Befehl im Terminal aus. Um beispielsweise ein Erkennungsmodell für 10 Epochen mit einer Lernrate von 0,01 zu trainieren, führen Sie Folgendes aus:

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Dieser Befehl verwendet den train Modus mit spezifischen Argumenten. Eine vollständige Liste der verfügbaren Argumente finden Sie im Konfigurationsleitfaden.

Welche Aufgaben kann ich mit der Ultralytics YOLO CLI ausführen?

Die Ultralytics YOLO CLI unterstützt verschiedene Aufgaben, darunter Detektion, Segmentierung, Klassifizierung, Pose-Schätzung und orientierte Begrenzungsrahmen-Detektion. Sie können auch Operationen durchführen wie:

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

Passen Sie jede Aufgabe mit verschiedenen Argumenten an. Detaillierte Syntax und Beispiele finden Sie in den jeweiligen Abschnitten wie Train, Predict und Export.

Wie kann ich die Genauigkeit eines trainierten YOLO-Modells mithilfe der CLI validieren?

Um die Genauigkeit eines Modells zu validieren, Genauigkeit, verwenden Sie die val Modus. Um beispielsweise ein vortrainiertes Erkennungsmodell mit einem Batch-Größe von 1 und einer Bildgröße von 640 ausführen:

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

Dieser Befehl wertet das Modell auf dem angegebenen Datensatz aus und liefert Leistungskennzahlen wie mAP, Präzision und Recall. Weitere Informationen finden Sie im Abschnitt Val.

In welche Formate kann ich meine YOLO-Modelle mit der CLI exportieren?

Sie können YOLO-Modelle in verschiedene Formate exportieren, darunter ONNX, TensorRT, CoreML, TensorFlow und mehr. Um beispielsweise ein Modell in das ONNX-Format zu exportieren, führen Sie Folgendes aus:

yolo export model=yolo11n.pt format=onnx

Der Export-Befehl unterstützt zahlreiche Optionen zur Optimierung Ihres Modells für spezifische Deployment-Umgebungen. Vollständige Details zu allen verfügbaren Exportformaten und ihren spezifischen Parametern finden Sie auf der Export Seite.

Wie verwende ich die vorgefertigten Lösungen in der Ultralytics CLI?

Ultralytics bietet sofort einsatzbereite Lösungen über die solutions Befehl. Zum Beispiel, 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, führen Sie Folgendes aus: yolo solutions help. Jede Lösung verfügt über spezifische Parameter, die an Ihre Bedürfnisse angepasst werden können.



📅 Vor 1 Jahr erstellt ✏️ Vor 5 Monaten aktualisiert

Kommentare