Meet YOLO26: next-gen vision AI.

Link to this sectionBefehlszeilenschnittstelle#

Die Ultralytics Befehlszeilenschnittstelle (CLI) bietet eine einfache Möglichkeit, Ultralytics YOLO Modelle ohne eine Python-Umgebung zu nutzen. Die CLI unterstützt das Ausführen verschiedener Aufgaben direkt vom Terminal aus mit dem 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

Wobei:

  • 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 eine beliebige Anzahl benutzerdefinierter arg=value-Paare wie imgsz=320, die die Standardwerte überschreiben.

Alle ARGS findest du im vollständigen Konfigurationshandbuch oder mit yolo cfg.

Wobei:

  • TASK (optional) ist eines der folgenden: [detect, segment, semantic, classify, pose, obb]. Falls nicht explizit übergeben, versucht YOLO, die TASK aus dem Modelltyp abzuleiten.
  • MODE (erforderlich) ist eines der folgenden: [train, val, predict, export, track, benchmark]
  • ARGS (optional) sind eine beliebige Anzahl benutzerdefinierter arg=value-Paare wie imgsz=320, die Standardwerte überschreiben. Eine vollständige Liste der verfügbaren ARGS findest du auf der Konfigurations-Seite sowie in 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 verfügbarer Argumente findest du auf der Konfigurations-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

Link to this sectionValidieren#

Validiere die Genauigkeit des trainierten Modells auf dem COCO8 Datensatz. Es werden keine Argumente benötigt, da das model seine Trainingsdaten (data) und Argumente als Modellattribute beibehält.

Beispiel

Validiere ein offizielles YOLO26n Modell:

yolo detect val model=yolo26n.pt

Link to this sectionVorhersagen#

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 findest du in der Tabelle unten. Du kannst in jedes Format über das 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, half, 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.onnx✅imgsz, batch, name, int8, data, fraction, device

Weitere Details zum export findest du auf der Export-Seite.

Link to this sectionStandardargumente 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

Link to this sectionStandard-Konfigurationsdatei überschreiben#

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

Erstelle dazu zuerst 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 weiteren Argumenten wie imgsz=320 in diesem Beispiel übergeben:

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

Link to this sectionLösungsbefehle#

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, Analytik, Streamlit-Inferenz und zonenbasiertes Tracking — siehe die Solutions-Seite für den vollständigen Katalog. Führe yolo solutions help aus, um alle unterstützten Lösungen und ihre 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.

Link to this sectionFAQ#

Link to this sectionWie verwende ich die Ultralytics YOLO Befehlszeilenschnittstelle (CLI) für das Modelltraining?#

Um ein Modell über die CLI zu trainieren, führe einen einzeiligen 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=0.01

Dieser Befehl verwendet den train-Modus mit spezifischen Argumenten. Eine vollständige Liste verfügbarer Argumente findest du im Konfigurationshandbuch.

Link to this sectionWelche Aufgaben kann ich mit der Ultralytics YOLO CLI durchführen?#

Die Ultralytics YOLO CLI unterstützt verschiedene Aufgaben, darunter Erkennung, Segmentierung, semantische Segmentierung, Klassifizierung, Pose-Schätzung und orientierte Bounding Box Erkennung. Du kannst auch Operationen ausführen wie:

  • Trainiere ein Modell: Führe yolo train data=<data.yaml> model=<model.pt> epochs=<num> aus.
  • Führe Vorhersagen aus: Verwende yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
  • Exportiere ein Modell: Führe yolo export model=<model.pt> format=<export_format> aus.
  • Nutze 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 jeweiligen Abschnitte wie Train, Predict und Export.

Link to this sectionWie 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 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=640

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

Link to this sectionIn welche Formate kann ich meine YOLO Modelle über die CLI exportieren?#

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 spezifische Bereitstellungsumgebungen zu optimieren. Vollständige Details zu allen verfügbaren Exportformaten und ihren spezifischen Parametern findest du auf der Export-Seite.

Link to this sectionWie 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.

Mitwirkende
GLglenn-jocher27AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Kommentare