Zum Inhalt springen

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.
Siehe alle ARGS in der vollstÀndigen Konfigurationsleitfaden oder mit yolo cfg

Train a detection model for 10 epochs with an initial learning_rate of 0.01

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Vorhersage eines YouTube-Videos mit einem trainierten Segmentierungsmodell bei BildgrĂ¶ĂŸe 320:

yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Val ein vortrainiertes Erkennungsmodell bei LosgrĂ¶ĂŸe 1 und BildgrĂ¶ĂŸe 640:

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

Export a YOLO11n classification model to ONNX format at image size 224 by 128 (no TASK required)

yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128

FĂŒhre spezielle Befehle aus, um die Version zu sehen, Einstellungen anzuzeigen, PrĂŒfungen durchzufĂŒhren und mehr:

yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg

Wo:

  • TASK (optional) ist eine der [detect, segment, classify, pose, obb]. If it is not passed explicitly YOLO11 will try to guess the TASK aus dem Modelltyp.
  • MODE (erforderlich) ist eine der [train, val, predict, export, track, benchmark]
  • ARGS (optional) sind eine beliebige Anzahl von benutzerdefinierten arg=value Paare wie imgsz=320 die die Standardeinstellungen außer Kraft setzen. FĂŒr eine vollstĂ€ndige Liste der verfĂŒgbaren ARGS siehe die Konfiguration Seite und defaults.yaml

Warnung

Argumente mĂŒssen ĂŒbergeben werden als arg=val Paare, getrennt durch ein Gleichheitszeichen = Zeichen und durch Leerzeichen abgegrenzt zwischen Paaren. Nicht verwenden -- Argument-PrĂ€fixe oder Kommas , zwischen den Argumenten.

  • yolo predict model=yolo11n.pt imgsz=640 conf=0.25   ✅
  • yolo predict model yolo11n.pt imgsz 640 conf 0.25   ❌
  • yolo predict --model yolo11n.pt --imgsz 640 --conf 0.25   ❌

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

Start training YOLO11n on COCO8 for 100 epochs at image-size 640.

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Nimm ein unterbrochenes Training wieder auf.

yolo detect train resume model=last.pt

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

Validate an official YOLO11n model.

yolo detect val model=yolo11n.pt

Validiere ein selbst trainiertes Modell.

yolo detect val model=path/to/best.pt

Vorhersage

Use a trained YOLO11n model to run predictions on images.

Beispiel

Predict with an official YOLO11n model.

yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

Sage mit einem eigenen Modell voraus.

yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'

exportieren

Export a YOLO11n model to a different format like ONNX, CoreML, etc.

Beispiel

Export an official YOLO11n model to ONNX format.

yolo export model=yolo11n.pt format=onnx

Exportiere ein individuell trainiertes Modell in das Format ONNX .

yolo export model=path/to/best.pt format=onnx

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 ✅ -
TorchScript torchscript yolo11n.torchscript ✅ imgsz, optimize, batch
ONNX onnx yolo11n.onnx ✅ imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolo11n_openvino_model/ ✅ imgsz, half, int8, batch
TensorRT engine yolo11n.engine ✅ imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolo11n.mlpackage ✅ imgsz, half, int8, nms, batch
TF SavedModel saved_model yolo11n_saved_model/ ✅ imgsz, keras, int8, batch
TF GraphDef pb yolo11n.pb ❌ imgsz, batch
TF Lite tflite yolo11n.tflite ✅ imgsz, half, int8, batch
TF Kante TPU edgetpu yolo11n_edgetpu.tflite ✅ imgsz
TF.js tfjs yolo11n_web_model/ ✅ imgsz, half, int8, batch
PaddlePaddle paddle yolo11n_paddle_model/ ✅ imgsz, batch
NCNN ncnn yolo11n_ncnn_model/ ✅ imgsz, half, batch

Siehe voll export Details in der exportieren Seite.

Standardargumente außer Kraft setzen

Die Standardargumente können außer 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

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Vorhersage eines YouTube-Videos mit einem trainierten Segmentierungsmodell bei BildgrĂ¶ĂŸe 320:

yolo segment predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Validiere ein trainiertes Erkennungsmodell bei LosgrĂ¶ĂŸe 1 und BildgrĂ¶ĂŸe 640:

yolo detect val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

Überschreiben 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:

Beispiel

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

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:

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

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:

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

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:

yolo export model=yolo11n.pt format=onnx

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:

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

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 Überschreiben von Standardargumenten beschrieben.


📅 Created 11 months ago ✏ Updated 10 days ago

Kommentare