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

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

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

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

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

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. Für eine vollständige Liste der verfügbaren ARGS siehe die Konfiguration Seite und defaults.yaml

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.

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

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 beibehält data und Argumente als Modellattribute.

yolo detect val model=yolo11n.pt

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

Vorhersage

Use a trained YOLO11n model to run predictions on images.

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

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.

yolo export model=yolo11n.pt 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'.

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.

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

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

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 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:

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 vollständige Liste der verfügbaren 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: Führen 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 vollständige Liste der verfügbaren 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