Verwendung der Befehlszeilenschnittstelle
Die YOLO Befehlszeilenschnittstelle (CLI) ermöglicht einfache einzeilige Befehle, ohne dass eine Python Umgebung benötigt wird. CLI erfordert keine Anpassungen oder Python Code. Du kannst alle Aufgaben einfach vom Terminal aus mit der yolo
Befehl.
Pass auf: Mastering Ultralytics YOLO: CLI
Beispiel
Ultralytics yolo
Befehle verwenden die folgende Syntax:
yolo TASK MODE ARGS
Where TASK (optional) is one of [detect, segment, classify, pose, obb]
MODE (required) is one of [train, val, predict, export, track, benchmark]
ARGS (optional) are any number of custom 'arg=value' pairs like 'imgsz=320' that override defaults.
yolo cfg
Train a detection model for 10 epochs with an initial learning_rate of 0.01
Vorhersage eines YouTube-Videos mit einem trainierten Segmentierungsmodell bei BildgröĂe 320:
Val ein vortrainiertes Erkennungsmodell bei LosgröĂe 1 und BildgröĂe 640:
Export a YOLO11n classification model to ONNX format at image size 224 by 128 (no TASK required)
Wo:
TASK
(optional) ist eine der[detect, segment, classify, pose, obb]
. If it is not passed explicitly YOLO11 will try to guess theTASK
aus dem Modelltyp.MODE
(erforderlich) ist eine der[train, val, predict, export, track, benchmark]
ARGS
(optional) sind eine beliebige Anzahl von benutzerdefiniertenarg=value
Paare wieimgsz=320
die die Standardeinstellungen auĂer Kraft setzen. FĂŒr eine vollstĂ€ndige Liste der verfĂŒgbarenARGS
siehe die Konfiguration Seite unddefaults.yaml
Warnung
Argumente mĂŒssen ĂŒbergeben werden als arg=val
Paare, getrennt durch ein Gleichheitszeichen =
Zeichen und durch Leerzeichen abgegrenzt zwischen Paaren. Nicht verwenden
--
Argument-PrÀfixe oder Kommas ,
zwischen den Argumenten.
yolo predict model=yolo11n.pt imgsz=640 conf=0.25
 âyolo predict model yolo11n.pt imgsz 640 conf 0.25
 âyolo predict --model yolo11n.pt --imgsz 640 --conf 0.25
 â
Zug
Train YOLO11n on the COCO8 dataset for 100 epochs at image size 640. For a full list of available arguments see the Configuration page.
Beispiel
Val
Validate trained YOLO11n model accuracy on the COCO8 dataset. No arguments are needed as the model
seine Ausbildung beibehÀlt data
und Argumente als Modellattribute.
Beispiel
Vorhersage
Use a trained YOLO11n model to run predictions on images.
Beispiel
exportieren
Export a YOLO11n model to a different format like ONNX, CoreML, etc.
Beispiel
Available YOLO11 export formats are in the table below. You can export to any format using the format
Argument, d.h. format='onnx'
oder format='engine'
.
Format | format Argument |
Modell | Metadaten | Argumente |
---|---|---|---|---|
PyTorch | - | yolo11n.pt |
â | - |
TorchScript | torchscript |
yolo11n.torchscript |
â | imgsz , optimize , batch |
ONNX | onnx |
yolo11n.onnx |
â | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolo11n_openvino_model/ |
â | imgsz , half , int8 , batch |
TensorRT | engine |
yolo11n.engine |
â | imgsz , half , dynamic , simplify , workspace , int8 , batch |
CoreML | coreml |
yolo11n.mlpackage |
â | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolo11n_saved_model/ |
â | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolo11n.pb |
â | imgsz , batch |
TF Lite | tflite |
yolo11n.tflite |
â | imgsz , half , int8 , batch |
TF Kante TPU | edgetpu |
yolo11n_edgetpu.tflite |
â | imgsz |
TF.js | tfjs |
yolo11n_web_model/ |
â | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolo11n_paddle_model/ |
â | imgsz , batch |
NCNN | ncnn |
yolo11n_ncnn_model/ |
â | imgsz , half , batch |
Siehe voll export
Details in der exportieren Seite.
Standardargumente auĂer Kraft setzen
Die Standardargumente können auĂer Kraft gesetzt werden, indem sie einfach als Argumente in der CLI in arg=value
Paare.
Tipp
Trainiere ein Erkennungsmodell fĂŒr 10 epochs
mit learning_rate
von 0.01
Vorhersage eines YouTube-Videos mit einem trainierten Segmentierungsmodell bei BildgröĂe 320:
Ăberschreiben der Standardkonfigurationsdatei
Du kannst die default.yaml
Konfigurationsdatei komplett zu löschen, indem du eine neue Datei mit der cfg
Argumente, d.h. cfg=custom.yaml
.
Dazu erstellen Sie zunÀchst eine Kopie von default.yaml
in deinem aktuellen Arbeitsverzeichnis mit dem yolo copy-cfg
Befehl.
Dies wird die default_copy.yaml
, die du dann als cfg=default_copy.yaml
zusammen mit allen zusÀtzlichen Args, wie imgsz=320
in diesem Beispiel:
FAQ
How do I use the Ultralytics YOLO11 command line interface (CLI) for model training?
To train a YOLO11 model using the CLI, you can execute a simple one-line command in the terminal. For example, to train a detection model for 10 epochs with a learning rate of 0.01, you would run:
Dieser Befehl verwendet die train
Modus mit bestimmten Argumenten. Die vollstĂ€ndige Liste der verfĂŒgbaren Argumente findest du in der Konfigurationsleitfaden.
What tasks can I perform with the Ultralytics YOLO11 CLI?
The Ultralytics YOLO11 CLI supports a variety of tasks including detection, segmentation, classification, validation, prediction, export, and tracking. For instance:
- Ein Modell trainieren: Lauf
yolo train data=<data.yaml> model=<model.pt> epochs=<num>
. - Laufvorhersagen:Gebrauchen
yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>
. - Ein Modell exportieren: FĂŒhren Sie aus.
yolo export model=<model.pt> format=<export_format>
.
Jede Aufgabe kann mit verschiedenen Argumenten angepasst werden. Eine detaillierte Syntax und Beispiele findest du in den jeweiligen Abschnitten wie Trainieren, Vorhersagen und Exportieren.
How can I validate the accuracy of a trained YOLO11 model using the CLI?
To validate a YOLO11 model's accuracy, use the val
mode. For example, to validate a pretrained detection model with a batch size of 1 and image size of 640, run:
Dieser Befehl wertet das Modell anhand des angegebenen Datensatzes aus und liefert Leistungskennzahlen. Weitere Informationen findest du im Abschnitt Val.
What formats can I export my YOLO11 models to using the CLI?
YOLO11 models can be exported to various formats such as ONNX, CoreML, TensorRT, and more. For instance, to export a model to ONNX format, run:
Weitere Informationen findest du auf der Seite Export.
How do I customize YOLO11 CLI commands to override default arguments?
To override default arguments in YOLO11 CLI commands, pass them as arg=value
Paare. Um zum Beispiel ein Modell mit benutzerdefinierten Argumenten zu trainieren, verwende:
Eine vollstĂ€ndige Liste der verfĂŒgbaren Argumente und ihre Beschreibungen findest du in der Konfigurationsanleitung. Achte darauf, dass die Argumente richtig formatiert sind, wie im Abschnitt Ăberschreiben von Standardargumenten beschrieben.