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 YOLOv8 : CLI
Beispiel
Ultralytics yolo
Befehle verwenden die folgende Syntax:
yolo TASK MODE ARGS
Where TASK (optional) is one of [detect, segment, classify]
MODE (required) is one of [train, val, predict, export, track]
ARGS (optional) are any number of custom 'arg=value' pairs like 'imgsz=320' that override defaults.
yolo cfg
Trainiere ein Erkennungsmodell für 10 Epochen mit einer anfänglichen learning_rate von 0,01
Vorhersage eines YouTube-Videos mit einem trainierten Segmentierungsmodell bei Bildgröße 320:
Val ein vortrainiertes Erkennungsmodell bei Losgröße 1 und Bildgröße 640:
Exportiere ein Klassifizierungsmodell von YOLOv8n in das Format ONNX mit der Bildgröße 224 x 128 (kein TASK erforderlich)
Wo:
TASK
(optional) ist eine der[detect, segment, classify]
. Wenn sie nicht explizit übergeben wird, versucht YOLOv8 , dieTASK
aus dem Modelltyp.MODE
(erforderlich) ist eine der[train, val, predict, export, track]
ARGS
(optional) sind eine beliebige Anzahl von benutzerdefiniertenarg=value
Paare wieimgsz=320
die die Standardeinstellungen außer Kraft setzen. Für eine vollständige Liste der verfügbarenARGS
siehe die Konfiguration Seite unddefaults.yaml
GitHub Quelle.
Warnung
Argumente müssen übergeben werden als arg=val
Paare, getrennt durch ein Gleichheitszeichen =
Zeichen und durch Leerzeichen abgegrenzt zwischen Paaren. Nicht verwenden
--
Argument-Präfixe oder Kommas ,
zwischen den Argumenten.
yolo predict model=yolov8n.pt imgsz=640 conf=0.25
✅yolo predict model yolov8n.pt imgsz 640 conf 0.25
❌yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25
❌
Zug
Trainiere YOLOv8n mit dem COCO8-Datensatz für 100 Epochen bei einer Bildgröße von 640. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite Konfiguration.
Beispiel
Val
Validiere die Genauigkeit des trainierten YOLOv8n Modells auf dem COCO8-Datensatz. Es muss kein Argument übergeben werden, da die model
behält es die Ausbildung data
und Argumente als Modellattribute.
Beispiel
Vorhersage
Verwende ein trainiertes YOLOv8n Modell, um Vorhersagen für Bilder zu treffen.
Beispiel
exportieren
Exportiere ein YOLOv8n Modell in ein anderes Format wie ONNX, CoreML, usw.
Beispiel
Die verfügbaren YOLOv8 Exportformate findest du in der Tabelle unten. Du kannst in jedes beliebige Format exportieren, indem du die format
Argument, d.h. format='onnx'
oder format='engine'
.
Format | format Argument |
Modell | Metadaten | Argumente |
---|---|---|---|---|
PyTorch | - | yolov8n.pt |
✅ | - |
TorchScript | torchscript |
yolov8n.torchscript |
✅ | imgsz , optimize , batch |
ONNX | onnx |
yolov8n.onnx |
✅ | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolov8n_openvino_model/ |
✅ | imgsz , half , int8 , batch |
TensorRT | engine |
yolov8n.engine |
✅ | imgsz , half , dynamic , simplify , workspace , batch |
CoreML | coreml |
yolov8n.mlpackage |
✅ | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolov8n_saved_model/ |
✅ | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolov8n.pb |
❌ | imgsz , batch |
TF Lite | tflite |
yolov8n.tflite |
✅ | imgsz , half , int8 , batch |
TF Kante TPU | edgetpu |
yolov8n_edgetpu.tflite |
✅ | imgsz , batch |
TF.js | tfjs |
yolov8n_web_model/ |
✅ | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolov8n_paddle_model/ |
✅ | imgsz , batch |
NCNN | ncnn |
yolov8n_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.
Trainiere ein Erkennungsmodell für 10 epochs
mit learning_rate
von 0.01
Vorhersage eines YouTube-Videos mit einem trainierten Segmentierungsmodell bei Bildgröße 320:
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 zunächst 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 zusätzlichen Args, wie imgsz=320
in diesem Beispiel:
Erstellt 2023-11-12, Aktualisiert 2024-04-27
Autoren: glenn-jocher (14), Burhan-Q (1), RizwanMunawar (1), AyushExel (1), Laughing-q (1), shuizhuyuanluo@126.com (1)