Befehlszeilenschnittstelle#
Die Kommandozeilenschnittstelle (CLI) von Ultralytics bietet eine einfache Möglichkeit, Ultralytics YOLO-Modelle ohne Python-Code zu verwenden. Über den Befehl yolo kannst du verschiedene Aufgaben direkt im Terminal ausführen.
Ansehen: Ultralytics YOLO meistern: CLI
Ultralytics-Befehle yolo verwenden die folgende Syntax:
yolo TASK MODE ARGSDabei gilt:
TASK(optional) ist einer der Werte [detect, segment, semantic, depth, classify, pose, obb]MODE(erforderlich) ist einer der Werte [train, val, predict, export, track, benchmark]ARGS(optional) sind beliebig viele benutzerdefinierte Paare ausarg=valuewieimgsz=320, die Standardwerte überschreiben.
Alle ARGS findest du im vollständigen Konfigurationsleitfaden oder mit yolo cfg.
Dabei gilt:
TASK(optional) ist einer der Werte[detect, segment, semantic, depth, classify, pose, obb]. Wenn der Wert nicht ausdrücklich angegeben wird, versucht YOLO,TASKanhand des Modelltyps zu ermitteln.MODE(erforderlich) ist einer der Werte[train, val, predict, export, track, benchmark].ARGS(optional) sind beliebig viele benutzerdefinierte Paare ausarg=valuewieimgsz=320, die Standardwerte überschreiben. Eine vollständige Liste der verfügbarenARGSfindest du auf der Seite Konfiguration und mitdefault.yaml.
Argumente müssen als Paare aus arg=val übergeben werden. Die Werte werden durch ein Gleichheitszeichen = getrennt; die Paare werden durch Leerzeichen voneinander abgegrenzt. Verwende weder Argumentpräfixe -- noch Kommas , zwischen den 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 100 Epochen lang mit dem COCO8-Datensatz und einer Bildgröße von 640. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite Konfiguration.
Starte das Training von YOLO26n mit COCO8 für 100 Epochen bei einer Bildgröße von 640:
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640Validieren#
Validiere die Genauigkeit des trainierten Modells anhand des COCO8-Datensatzes. Bei einem benutzerdefinierten Modell wird data aus dem Training wiederverwendet, wenn data nicht angegeben ist; bei offiziellen Gewichten wird stattdessen der Standardwert coco8.yaml für die jeweilige Aufgabe verwendet.
Validiere ein offizielles YOLO26n-Modell:
yolo detect val model=yolo26n.pt data=coco8.yamlVorhersagen#
Verwende ein trainiertes Modell, um Vorhersagen für Bilder auszuführen.
Führe Vorhersagen mit einem offiziellen YOLO26n-Modell aus:
yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'Exportieren#
Exportiere ein Modell in ein anderes Format wie ONNX oder CoreML.
Exportiere ein offizielles YOLO26n-Modell ins ONNX-Format:
yolo export model=yolo26n.pt format=onnxDie verfügbaren Exportformate von Ultralytics findest du in der folgenden Tabelle. Mit dem Argument format kannst du in jedes Format exportieren, zum Beispiel mit format='onnx' oder format='engine'.
| Format | Argument format | Modell | Metadaten | Argumente |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, quantize, dynamic, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, quantize, dynamic, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, quantize, nms, batch, device |
| Apple Core AI | coreai | yolo26n.aimodel | ✅ | imgsz, batch, quantize |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, quantize, opset, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, opset, batch, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, quantize, opset, data, fraction, device |
| LiteRT | litert | yolo26n.tflite | ✅ | imgsz, quantize, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, dynamic, quantize, simplify, opset, nms, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, quantize, batch, device |
| IMX500 | imx | yolo26n_imx_model/ | ✅ | imgsz, quantize, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, quantize, simplify, opset, data, fraction, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, quantize, data, fraction, device |
| DEEPX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, quantize, simplify, opset, data, optimize, device |
| Qualcomm QNN | qnn | yolo26n_qnn.onnx | ✅ | imgsz, batch, name, quantize, simplify, opset, data, fraction, device |
| Hailo | hailo | yolo26n_hailo_model/ | ✅ | imgsz, name, quantize, data, fraction, simplify, conf, iou, device |
| Huawei Ascend | ascend | yolo26n_ascend_model/ | ✅ | imgsz, batch, name, quantize, opset, simplify, nms, device |
| AMD Xilinx | xilinx | yolo26n_xilinx_model/ | ✅ | imgsz, name, quantize, data, fraction, opset, simplify, device |
nms=None gibt standardmäßig Rohdaten für die externe NMS aus. Lege nms=False fest, um einen verfügbaren Kopf ohne NMS auszuwählen; nicht unterstützte Formate greifen auf ihren nativen Ausgabepfad zurück. Die obigen Einträge nms kennzeichnen Formate, die NMS mit nms=True integrieren können.
Alle Details zu export findest du auf der Seite Export.
Standardargumente überschreiben#
Du kannst Standardargumente überschreiben, indem du sie in der CLI als arg=value-Paare übergibst.
Trainiere ein Erkennungsmodell 10 Epochen lang mit einer Lernrate von 0.01:
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=10 optimizer=SGD lr0=0.01Standardkonfigurationsdatei überschreiben#
Überschreibe die Konfigurationsdatei default.yaml vollständig, indem du mit dem Argument cfg eine neue Datei übergibst, zum Beispiel cfg=custom.yaml.
Erstelle dazu zunächst mit dem Befehl yolo copy-cfg eine Kopie von default.yaml in deinem aktuellen Arbeitsverzeichnis. Dabei wird eine Datei default_copy.yaml erstellt.
Anschließend kannst du diese Datei zusammen mit zusätzlichen Argumenten als cfg=default_copy.yaml übergeben, zum Beispiel imgsz=320 wie in diesem Beispiel:
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320Befehle für Lösungen#
Ultralytics stellt über die CLI sofort einsatzbereite Lösungen für gängige Computer-Vision-Anwendungen bereit. Der Befehl yolo solutions bietet Objekterkennung und -zählung, Zuschneiden, Weichzeichnen, Trainingsüberwachung, Heatmaps, Instanzsegmentierung, VisionEye, Geschwindigkeitsschätzung, Warteschlangenverwaltung, Analysen, Streamlit-Inferenz, zonenbasiertes Tracking, Bereichszählung, Sicherheitsalarme und Parkraummanagement – die vollständige Übersicht findest du auf der Seite Solutions. Führe yolo solutions help aus, um alle unterstützten Lösungen und ihre Argumente aufzulisten.
Zähle Objekte in einem Video oder Livestream:
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file pathWeitere Informationen zu den Ultralytics-Lösungen findest du auf der Seite Solutions.
Häufig gestellte Fragen#
Um ein Modell über die CLI zu trainieren, führe im Terminal einen einzelnen Befehl aus. Um beispielsweise ein Erkennungsmodell 10 Epochen lang zu trainieren, führe Folgendes aus:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10Dieser Befehl verwendet den Modus
trainmit bestimmten Argumenten. Eine vollständige Liste der verfügbaren Argumente findest du im Konfigurationsleitfaden.Die Ultralytics YOLO CLI unterstützt verschiedene Aufgaben, darunter Objekterkennung, Segmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Posenschätzung und Erkennung orientierter Begrenzungsrahmen. Du kannst außerdem Folgendes ausführen:
- 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 sofort einsatzbereite Anwendungen aus.
Passe jede Aufgabe mit verschiedenen Argumenten an. Ausführliche Syntaxangaben und Beispiele findest du in den jeweiligen Abschnitten, etwa Train, Predict und Export.
- Modell trainieren: Führe
Um die Genauigkeit eines Modells zu überprüfen, verwende den Modus
val. Um beispielsweise ein vortrainiertes Erkennungsmodell mit einer Batch-Größe von 1 und einer Bildgröße von 640 auszuwerten, führe Folgendes aus:yolo val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640Dieser Befehl wertet das Modell anhand des angegebenen Datensatzes aus und liefert Leistungskennzahlen wie mAP, Präzision und Recall. Weitere Informationen findest du im Abschnitt Val.
Du kannst YOLO-Modelle in verschiedene Formate exportieren, darunter ONNX, TensorRT, CoreML, TensorFlow und weitere. Um ein Modell beispielsweise in das ONNX-Format zu exportieren, führe Folgendes aus:
yolo export model=yolo26n.pt format=onnxDer Exportbefehl unterstützt zahlreiche Optionen, mit denen du dein Modell für bestimmte Bereitstellungsumgebungen optimieren kannst. Eine vollständige Übersicht über alle verfügbaren Exportformate und ihre jeweiligen Parameter findest du auf der Seite Export.
Ultralytics stellt über den Befehl
solutionssofort einsatzbereite Lösungen bereit. Um beispielsweise Objekte in einem Video zu zählen:yolo solutions count source="path/to/video.mp4"Diese Lösungen erfordern nur wenig Konfiguration und bieten sofort einsatzbereite Funktionen für gängige Computer-Vision-Aufgaben. Führe
yolo solutions helpaus, um alle verfügbaren Lösungen anzuzeigen. Jede Lösung bietet bestimmte Parameter, die du an deine Anforderungen anpassen kannst.