Meet YOLO26: next-gen vision AI.

Link to this sectionBefehlszeilenschnittstelle#

Die Ultralytics Befehlszeilenschnittstelle (CLI) bietet eine einfache Möglichkeit, Ultralytics YOLO Modelle ohne Python-Umgebung zu nutzen. Das CLI unterstützt die Ausführung verschiedener Aufgaben direkt vom Terminal aus über den yolo Befehl, 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

Dabei ist:

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

Siehe alle ARGS im vollständigen Konfigurationsleitfaden oder mit yolo cfg.

Dabei ist:

  • TASK (optional) ist eines von [detect, segment, semantic, classify, pose, obb]. Wenn nicht explizit angegeben, versucht YOLO, die 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 Standardeinstellungen überschreiben. Für eine vollständige Liste der verfügbaren ARGS, siehe die Konfigurationsseite und default.yaml.
Warnung

Argumente müssen als arg=val Paare übergeben werden, getrennt durch ein Gleichheitszeichen = und durch Leerzeichen zwischen den Paaren. 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 ❌

Link to this sectionTrainieren#

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

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

Link to this sectionValidierung#

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

Link to this sectionVorhersage#

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'

Link to this sectionExportieren#

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 sind in der Tabelle unten aufgeführt. Du kannst in jedes Format mit dem format Argument exportieren, 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, int8, dynamic, simplify, opset, nms, batch, data, fraction, 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, int8, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, int8, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, int8, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn_model/✅imgsz, batch, name, int8, data, fraction, device

Sieh dir alle export Details auf der Export Seite an.

Link to this sectionÜberschreiben von Standardargumenten#

Override default arguments by passing them in the CLI as arg=value pairs.

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

Link to this sectionÜberschreiben der Standardkonfigurationsdatei#

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

Dazu erstellst du zuerst eine Kopie von default.yaml in deinem aktuellen Arbeitsverzeichnis mit dem yolo copy-cfg Befehl, wodurch eine default_copy.yaml Datei erstellt wird.

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

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

Link to this sectionLösungsbefehle#

Ultralytics bietet über das CLI sofort einsatzbereite Lösungen für gängige Computer-Vision-Anwendungen. Der yolo solutions Befehl ermöglicht Objektzählung, Zuschneiden, Weichzeichnen, Workout-Überwachung, Heatmaps, Instanzsegmentierung, VisionEye, Geschwindigkeitsmessung, Warteschlangenverwaltung, Analysen, Streamlit-Inferenz und zonenbasiertes Tracking — siehe die Solutions Seite für den vollständigen Katalog. Führe yolo solutions help aus, um jede unterstützte Lösung 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

Für weitere Informationen zu Ultralytics Lösungen, besuche die Solutions Seite.

Link to this sectionFAQ#

Link to this sectionWie nutze ich das Ultralytics YOLO Command Line Interface (CLI) für das Modelltraining?#

Um ein Modell mit dem 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 im Configuration Guide.

Link to this sectionWelche Aufgaben kann ich mit dem Ultralytics YOLO CLI ausführen?#

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

  • Modell trainieren: Führe yolo train data=<data.yaml> model=<model.pt> epochs=<num> aus.
  • Vorhersagen ausführen: Nutze 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 fertige Anwendungen aus.

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

Link to this sectionWie kann ich die Genauigkeit eines trainierten YOLO-Modells mithilfe des CLI validieren?#

Um die Genauigkeit eines Modells zu validieren, nutze 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 bewertet das Modell auf dem angegebenen Datensatz und liefert Leistungsmetriken wie mAP, Präzision und Trefferquote. Weitere Details findest du im Val Abschnitt.

Link to this sectionIn welche Formate kann ich meine YOLO-Modelle mithilfe des CLI exportieren?#

Du kannst YOLO-Modelle in verschiedene Formate exportieren, einschließlich 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 Exportbefehl unterstützt zahlreiche Optionen, um dein Modell für spezifische Bereitstellungsumgebungen zu optimieren. Vollständige Details zu allen verfügbaren Exportformaten und deren spezifischen Parametern findest du auf der Export Seite.

Link to this sectionWie nutze ich die vorgefertigten Lösungen im 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.

Mitwirkende
GLglenn-jocher27AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Kommentare