Befehlszeilenschnittstelle
Die Ultralytics Befehlszeilenschnittstelle (CLI) bietet eine einfache Möglichkeit, Ultralytics YOLO Modelle ohne eine Python Umgebung zu verwenden. Die CLI unterstützt das Ausführen verschiedener Aufgaben direkt über das Terminal mit dem yolo Befehl, ohne dass Anpassungen oder Python Code erforderlich sind.
Watch: Mastering Ultralytics YOLO: CLI
Ultralytics yolo Befehle verwenden die folgende Syntax:
yolo TASK MODE ARGSWobei:
TASK(optional) eine der folgenden Optionen ist: [detect, segment, classify, pose, obb]MODE(erforderlich) eine der folgenden Optionen ist: [train, val, predict, export, track, benchmark]ARGS(optional) eine beliebige Anzahl benutzerdefinierterarg=valuePaare wieimgsz=320sind, die Standardwerte überschreiben.
Sieh dir alle ARGS im vollständigen Konfigurationshandbuch oder mit yolo cfg an.
Wobei:
TASK(optional) ist eine der Optionen[detect, segment, classify, pose, obb]. Wenn sie nicht explizit angegeben wird, versucht YOLO, dieTASKanhand des Modelltyps abzuleiten.MODE(erforderlich) ist eine der Optionen[train, val, predict, export, track, benchmark]ARGS(optional) sind eine beliebige Anzahl an benutzerdefiniertenarg=valuePaaren wieimgsz=320, die Standardwerte überschreiben. Für eine vollständige Liste der verfügbarenARGSsiehe die Konfigurationsseite unddefault.yaml.
Argumente müssen als arg=val Paare übergeben werden, die durch ein Gleichheitszeichen = getrennt und durch Leerzeichen zwischen den Paaren abgegrenzt sind. 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❌
Trainieren
Trainiere YOLO auf dem COCO8 Datensatz für 100 Epochen bei einer Bildgröße von 640. Für eine vollständige Liste der verfügbaren Argumente siehe die Konfigurationsseite.
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=640Validieren
Validiere die Genauigkeit des trainierten Modells auf dem COCO8 Datensatz. Es werden keine Argumente benötigt, da das model seine Trainings-data und Argumente als Modellattribute beibehält.
Validiere ein offizielles YOLO26n Modell:
yolo detect val model=yolo26n.ptVorhersage
Verwende ein trainiertes Modell, um Vorhersagen auf Bildern auszuführen.
Erstelle eine 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.
Exportiere ein offizielles YOLO26n Modell in das ONNX Format:
yolo export model=yolo26n.pt format=onnxDie verfügbaren 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'.
| Format | format Argument | Modell | Metadaten | Argumente |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, half, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, half, dynamic, simplify, opset, nms, batch, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, half, dynamic, int8, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, half, int8, nms, batch, device |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, keras, int8, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, batch, device |
| TF Lite | tflite | yolo26n.tflite | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, int8, data, fraction, device |
| TF.js | tfjs | yolo26n_web_model/ | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, int8, half, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, half, batch, device |
| IMX500 | imx | yolo26n_imx_model/ | ✅ | imgsz, int8, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, int8, data, fraction, device |
| DeepX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, int8, data, optimize, device |
Siehe vollständige export Details auf der Export Seite.
Überschreiben von Standardargumenten
Override default arguments by passing them in the CLI as arg=value pairs.
Trainiere ein Erkennungsmodell für 10 Epochen mit einer Lernrate von 0,01:
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01Überschreiben der Standard-Konfigurationsdatei
Überschreibe die default.yaml Konfigurationsdatei vollständig, indem du eine neue Datei mit dem cfg Argument übergibst, z. B. cfg=custom.yaml.
Dazu erstellst du zuerst eine Kopie von default.yaml in deinem aktuellen Arbeitsverzeichnis mit dem Befehl yolo copy-cfg, was eine default_copy.yaml Datei erstellt.
Du kannst diese Datei dann als cfg=default_copy.yaml zusammen mit zusätzlichen Argumenten übergeben, wie in diesem Beispiel imgsz=320:
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320Lösungs-Befehle
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, Warteschlangenmanagement, Analysen, Streamlit-Inferenz und Zonen-basiertes Tracking — siehe die Solutions Seite für den vollständigen Katalog. Führe yolo solutions help aus, um jede unterstützte Lösung und ihre Argumente aufzulisten.
Zähle Objekte in einem Video oder Live-Stream:
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file pathFür weitere Informationen zu Ultralytics Lösungen, besuche die Solutions Seite.
FAQ
Wie verwende ich das Ultralytics YOLO Command Line Interface (CLI) für das Modelltraining?
Um ein Modell mit dem CLI zu trainieren, führe einen Einzeilen-Befehl im Terminal aus. Um beispielsweise ein Erkennungsmodell für 10 Epochen mit einer Lernrate von 0,01 zu trainieren, führe aus:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01Dieser Befehl verwendet den train Modus mit spezifischen Argumenten. Eine vollständige Liste der verfügbaren Argumente findest du im Konfigurationsleitfaden.
Welche Aufgaben kann ich mit dem Ultralytics YOLO CLI durchführen?
Das Ultralytics YOLO CLI unterstützt verschiedene Aufgaben, einschließlich Erkennung, Segmentierung, Klassifizierung, Pose-Schätzung und orientierte Bounding-Box-Erkennung. Du kannst auch Operationen durchführen wie:
- Trainiere ein Modell: Führe
yolo train data=<data.yaml> model=<model.pt> epochs=<num>aus. - Führe Vorhersagen aus: Nutze
yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>. - Exportiere ein Modell: Führe
yolo export model=<model.pt> format=<export_format>aus. - Verwende Lösungen: Führe
yolo solutions <solution_name>für sofort einsatzbereite Anwendungen aus.
Passe jede Aufgabe mit verschiedenen Argumenten an. Für detaillierte Syntax und Beispiele siehe die entsprechenden Abschnitte wie Train, Predict und Export.
Wie kann ich die Genauigkeit eines trainierten YOLO-Modells über das CLI validieren?
Um die Genauigkeit eines Modells zu validieren, verwende den val Modus. Um zum Beispiel ein vortrainiertes Erkennungsmodell 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=640Dieser Befehl bewertet das Modell auf dem angegebenen Datensatz und liefert Leistungsmetriken wie mAP, Präzision und Recall. Für weitere Details siehe den Val Abschnitt.
In welche Formate kann ich meine YOLO-Modelle mit dem 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=onnxDer Exportbefehl unterstützt zahlreiche Optionen, um dein Modell für spezifische Bereitstellungsumgebungen zu optimieren. Für vollständige Details zu allen verfügbaren Exportformaten und ihren spezifischen Parametern, besuche die Export Seite.
Wie verwende ich die vorgefertigten Lösungen im Ultralytics CLI?
Ultralytics bietet sofort einsatzbereite Lösungen über den solutions Befehl. Zum Beispiel, um 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.