Skip to main content
Seite auf GitHub bearbeiten (EN)

Command Line Interface

Das Ultralytics Command Line Interface (CLI) bietet eine einfache Möglichkeit, Ultralytics YOLO Modelle zu verwenden, ohne dass eine Python Umgebung erforderlich ist. Das CLI unterstützt die direkte Ausführung verschiedener Aufgaben über das Terminal mit dem yolo Befehl, ohne Anpassungen oder Python Code.



Watch: Mastering Ultralytics YOLO: CLI
Beispiel

Ultralytics yolo Befehle verwenden folgende Syntax:

yolo TASK MODE ARGS

Wobei:

  • TASK (optional) ist eines aus [detect, segment, classify, pose, obb]
  • MODE (erforderlich) ist eines aus [train, val, predict, export, track, benchmark]
  • ARGS (optional) sind eine beliebige Anzahl an benutzerdefinierten arg=value Paaren wie imgsz=320 die Standardwerte überschreiben.

Siehe alle ARGS im vollständigen Konfigurationsleitfaden oder mit yolo cfg.

Wobei:

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

Argumente müssen als arg=val Paare übergeben werden, getrennt durch ein Gleichheitszeichen = und durch Leerzeichen zwischen den Paaren abgegrenzt. Verwende keine -- Argument-Präfixe oder 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 ❌

Train

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

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

Val

Validiere die Genauigkeit des trainierten Modells auf dem COCO8 Datensatz. Es sind keine Argumente erforderlich, da das 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

Vorhersage mit einem offiziellen YOLO26n Modell:

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

Export

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

Beispiel

Exportiere ein offizielles YOLO26n Modell in das ONNX Format:

yolo export model=yolo26n.pt format=onnx

Verfügbare Ultralytics Exportformate findest du in der Tabelle unten. Du kannst in jedes Format exportieren, indem du das format Argument verwendest, z. B. format='onnx' oder format='engine'.

Formatformat ArgumentModellMetadatenArgumente
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, half, dynamic, optimize, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, half, dynamic, simplify, opset, nms, batch, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, half, dynamic, int8, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, half, int8, nms, batch, device
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, keras, int8, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, batch, device
TF Litetfliteyolo26n.tflite✅imgsz, half, int8, nms, batch, data, fraction, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, int8, data, fraction, device
TF.jstfjsyolo26n_web_model/✅imgsz, half, int8, nms, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, int8, half, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, half, batch, device
IMX500imxyolo26n_imx_model/✅imgsz, int8, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, int8, data, fraction, device

Siehe vollständige export Details auf der Export Seite.

Übersteuern von Standardargumenten

Überschreibe Standardargumente, indem du sie im 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

Übersteuern der Standardkonfigurationsdatei

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

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

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

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

Solutions-Befehle

Ultralytics bietet über die CLI sofort einsatzbereite Lösungen für gängige Computer-Vision-Anwendungen. Der yolo solutions Befehl ermöglicht Objektzählung, Zuschneiden, Weichzeichnen, Trainingsüberwachung, Heatmaps, Instanzsegmentierung, VisionEye, Geschwindigkeitsmessung, Warteschlangenmanagement, Analysen, Streamlit-Inferenz und zonenbasiertes Tracking – die vollständige Übersicht findest du auf der Solutions Seite. Führe yolo solutions help aus, um alle unterstützten Lösungen und ihre Argumente aufzulisten.

Beispiel

Zähle Objekte in einem Video oder Livestream:

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

Weitere Informationen zu Ultralytics-Lösungen findest du in den Solutions Seite.

FAQ

Wie verwende ich die Ultralytics YOLO Command Line Interface (CLI) für das Modelltraining?

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

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

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

Welche Aufgaben kann ich mit der Ultralytics YOLO CLI ausführen?

Die Ultralytics YOLO CLI unterstützt verschiedene Aufgaben, einschließlich Detektion, Segmentierung, Klassifizierung, Pose-Schätzung, und orientierte Bounding-Box-Detektion. Du kannst auch Operationen durchführen wie:

  • Ein Modell trainieren: Führe yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
  • 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>.
  • Verwende Lösungen: Führe yolo solutions <solution_name> für fertige Anwendungen.

Passe jede Aufgabe mit verschiedenen Argumenten an. Für detaillierte Syntax und Beispiele, siehe die jeweiligen Abschnitte wie Train, Vorhersage, und Export.

Wie kann ich die Genauigkeit eines trainierten YOLO Modells über die CLI validieren?

Um die Genauigkeit eines Modells zu validieren, verwende den val Modus. Um beispielsweise ein vortrainiertes Detektionsmodell mit einer Batch-Größe von 1 und einer Bildgröße von 640 zu validieren, führe aus:

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

Dieser Befehl evaluiert das Modell auf dem angegebenen Datensatz und liefert Leistungsmetriken wie mAP, Präzision, und Recall. Weitere Details findest du im Abschnitt Val section.

In welche Formate kann ich meine YOLO Modelle über die CLI exportieren?

Du kannst YOLO Modelle in verschiedene Formate exportieren, darunter ONNX, TensorRT, CoreML, TensorFlow und mehr. Um beispielsweise ein Modell in das ONNX-Format zu exportieren, führe aus:

yolo export model=yolo26n.pt format=onnx

Der Export-Befehl unterstützt zahlreiche Optionen, um dein Modell für spezifische Bereitstellungsumgebungen zu optimieren. Vollständige Details zu allen verfügbaren Exportformaten und deren spezifischen Parametern findest du unter Export Seite.

Wie verwende ich die vorgefertigten Lösungen in der Ultralytics CLI?

Ultralytics bietet sofort einsatzbereite Lösungen über den solutions Befehl. Um beispielsweise Objekte in einem Video zu zählen:

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

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

Contributors
Seite auf GitHub bearbeiten (EN)
GLglenn-jocher26AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Kommentare