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

Trainiere ein Erkennungsmodell für 10 Epochen mit einer anfänglichen learning_rate von 0,01 

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

Vorhersage eines YouTube-Videos mit einem trainierten Segmentierungsmodell bei Bildgröße 320: 

yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Val ein vortrainiertes Erkennungsmodell bei Losgröße 1 und Bildgröße 640: 

yolo val model=yolov8n.pt data=coco8.yaml batch=1 imgsz=640

Exportiere ein Klassifizierungsmodell von YOLOv8n in das Format ONNX mit der Bildgröße 224 x 128 (kein TASK erforderlich) 

yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128

Führe spezielle Befehle aus, um die Version zu sehen, Einstellungen anzuzeigen, Prüfungen durchzuführen und mehr: 

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

Wo:

  • TASK (optional) ist eine der [detect, segment, classify]. Wenn sie nicht explizit übergeben wird, versucht YOLOv8 , die TASK aus dem Modelltyp.
  • MODE (erforderlich) ist eine der [train, val, predict, export, track]
  • ARGS (optional) sind eine beliebige Anzahl von benutzerdefinierten arg=value Paare wie imgsz=320 die die Standardeinstellungen außer Kraft setzen. Für eine vollständige Liste der verfügbaren ARGS siehe die Konfiguration Seite und defaults.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

Starte das Training YOLOv8n auf COCO8 für 100 Epochen bei einer Bildgröße von 640. 

yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

Nimm ein unterbrochenes Training wieder auf. 

yolo detect train resume model=last.pt

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

Validiere ein offizielles YOLOv8n Modell. 

yolo detect val model=yolov8n.pt

Validiere ein selbst trainiertes Modell. 

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

Vorhersage

Verwende ein trainiertes YOLOv8n Modell, um Vorhersagen für Bilder zu treffen.

Beispiel

Sage mit einem offiziellen YOLOv8n Modell voraus. 

yolo detect predict model=yolov8n.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

Exportiere ein YOLOv8n Modell in ein anderes Format wie ONNX, CoreML, usw.

Beispiel

Exportiere ein offizielles YOLOv8n Modell in das Format ONNX . 

yolo export model=yolov8n.pt format=onnx

Exportiere ein individuell trainiertes Modell in das Format ONNX . 

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

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 

yolo detect train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

Vorhersage eines YouTube-Videos mit einem trainierten Segmentierungsmodell bei Bildgröße 320: 

yolo segment predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Validiere ein trainiertes Erkennungsmodell bei Losgröße 1 und Bildgröße 640: 

yolo detect val model=yolov8n.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 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:

Beispiel

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


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)

Kommentare