YOLO Vision 2026:

Befehlszeilenschnittstelle#

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 heraus über den Befehl yolo, ohne dass Anpassungen oder Python-Code erforderlich sind.



Watch: Mastering Ultralytics YOLO: CLI
Beispiel

Ultralytics yolo-Befehle verwenden die folgende Syntax:

yolo TASK MODE ARGS

Wobei:

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

Alle ARGS findest du im vollständigen Configuration Guide oder mit yolo cfg.

Wobei:

  • TASK (optional) ist eines von [detect, segment, semantic, depth, classify, pose, obb]. Wenn nicht explizit angegeben, 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 Configuration-Seite und unter default.yaml.
Warnung

Argumente müssen als arg=val-Paare übergeben werden, getrennt durch ein Gleichheitszeichen = und durch Leerzeichen zwischen den Paaren abgegrenzt. 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 Dataset für 100 Epochen bei einer Bildgröße von 640. Eine vollständige Liste der verfügbaren Argumente findest du auf der Configuration-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

Validieren#

Validiere die accuracy des trainierten Modells auf dem COCO8 Datensatz. Es sind keine Argumente erforderlich, da der model seine Trainings-[data]-Werte und Argumente als Modelleigenschaften behält.

Beispiel

Validiere ein offizielles YOLO26n Modell:

yolo detect val model=yolo26n.pt

Vorhersagen#

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'

Exportieren#

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

Formatformat-ArgumentModellMetadatenArgumente
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

Vollständige Details zu export findest du auf der Export-Seite.

Standardargumente überschreiben#

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

Tipp

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

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

Standard-Konfigurationsdatei überschreiben#

Überschreibe die default.yaml-Konfigurationsdatei 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, Workout-Überwachung, Heatmaps, Instanzsegmentierung, VisionEye, Geschwindigkeitsmessung, Warteschlangenmanagement, Analysen, Streamlit-Inferenz und zonenbasiertes Tracking – im Solutions-Katalog findest du die vollständige Übersicht. Führe yolo solutions help aus, um jede unterstützte Lösung 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 Solutions-Seite.

FAQ#

  • Um ein Modell über die CLI zu trainieren, führe einen einzeiligen Befehl im Terminal aus. Um beispielsweise ein Erkennungsmodell für 10 Epochen mit einer learning rate von 0,01 zu trainieren, führe Folgendes aus:

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

    Dieser Befehl verwendet den Modus train mit bestimmten Argumenten. Eine vollständige Liste der verfügbaren Argumente findest du im Configuration Guide.

  • Die Ultralytics YOLO CLI unterstützt verschiedene Aufgaben, darunter detection, segmentation, semantic segmentation, depth estimation, classification, pose estimation und oriented bounding box detection. Du kannst auch Vorgänge 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 nutzen: 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 Train, Predict und Export.

  • Um die accuracy eines Modells zu validieren, verwende den Modus val. Um beispielsweise ein vortrainiertes Erkennungsmodell mit einer batch size von 1 und einer Bildgröße von 640 zu validieren, führe Folgendes aus:

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

    Dieser Befehl bewertet das Modell anhand des angegebenen Datasets und liefert Leistungskennzahlen wie mAP, precision und recall. Weitere Details findest du im Abschnitt Val.

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

    yolo export model=yolo26n.pt format=onnx

    Der Exportbefehl unterstützt zahlreiche Optionen, um dein Modell für bestimmte Bereitstellungsumgebungen zu optimieren. Vollständige Details zu allen verfügbaren Exportformaten und ihren spezifischen Parametern findest du auf der Export-Seite.

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

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

    Diese Lösungen erfordern nur minimalen Konfigurationsaufwand 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