Zum Inhalt springen

Verwendung der Befehlszeilenschnittstelle

Die Befehlszeilenschnittstelle YOLO (CLI) ermöglicht einfache einzeilige Befehle, ohne dass eine Umgebung Python erforderlich ist. CLI erfordert keine Anpassungen oder Python Code. Sie können alle Aufgaben einfach vom Terminal aus mit dem Befehl yolo Befehl.



Beobachten: 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.
Alle ARGS im Volltext anzeigen Leitfaden zur Konfiguration oder mit yolo cfg

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

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

Vorhersage eines YouTube-Videos mit Hilfe eines vortrainierten Segmentierungsmodells bei Bildgröße 320:

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

Val ein vortrainiertes Erkennungsmodell bei Losgröße 1 und Bildgröße 640:

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

Export eines YOLO11n-Klassifizierungsmodells in das Format ONNX mit einer Bildgröße von 224 x 128 (kein TASK erforderlich)

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

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

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

Wo:

  • TASK (fakultativ) ist eine der [detect, segment, classify, pose, obb]. Wenn er nicht explizit übergeben wird, versucht YOLO11 , den 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

Warnung

Die Argumente müssen 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=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

Trainieren Sie YOLO11n mit dem COCO8-Datensatz für 100 Epochen bei einer Bildgröße von 640. Eine vollständige Liste der verfügbaren Argumente finden Sie auf der Seite Konfiguration.

Beispiel

Starten Sie das Training von YOLO11n auf COCO8 für 100 Epochen bei einer Bildgröße von 640.

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

Nehmen Sie ein unterbrochenes Training wieder auf.

yolo detect train resume model=last.pt

Val

Validierung des trainierten YOLO11n-Modells Genauigkeit für den COCO8-Datensatz. Es werden keine Argumente benötigt, da die model seine Ausbildung beibehält data und Argumente als Modellattribute.

Beispiel

Validieren Sie ein offizielles YOLO11n-Modell.

yolo detect val model=yolo11n.pt

Validieren Sie ein individuell trainiertes Modell.

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

Vorhersage

Verwenden Sie ein trainiertes YOLO11n-Modell, um Vorhersagen für Bilder zu treffen.

Beispiel

Vorhersage mit einem offiziellen YOLO11n-Modell.

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

Vorhersage mit einem benutzerdefinierten Modell.

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

Exportieren

Exportieren Sie ein YOLO11n-Modell in ein anderes Format wie ONNX, CoreML, usw.

Beispiel

Exportieren Sie ein offizielles YOLO11n-Modell in das Format ONNX .

yolo export model=yolo11n.pt format=onnx

Exportieren Sie ein individuell trainiertes Modell in das Format ONNX .

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

Die verfügbaren YOLO11 Exportformate sind in der nachstehenden Tabelle aufgeführt. Sie können in jedes beliebige Format exportieren, indem Sie die 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
MNN mnn yolo11n.mnn imgsz, batch, int8, half
NCNN ncnn yolo11n_ncnn_model/ imgsz, half, batch
IMX500 imx yolov8n_imx_model/ imgsz, int8

Vollständig sehen export Details im Exportieren Seite.

Überschreiben von Standardargumenten

Standardargumente können außer Kraft gesetzt werden, indem sie einfach als Argumente in der CLI in arg=value Paare.

Tipp

Trainieren Sie ein Erkennungsmodell für 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 Hilfe eines vortrainierten Segmentierungsmodells bei Bildgröße 320:

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

Validierung eines vorab trainierten Erkennungsmodells bei Losgröße 1 und Bildgröße 640:

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

Überschreiben der Standardkonfigurationsdatei

Sie können die default.yaml Konfigurationsdatei vollständig zu löschen, indem Sie eine neue Datei mit der Option cfg Argumente, d.h. cfg=custom.yaml.

Dazu erstellen Sie zunächst eine Kopie von default.yaml in Ihrem aktuellen Arbeitsverzeichnis mit dem yolo copy-cfg Befehl.

Dadurch werden default_copy.yaml, die Sie dann als cfg=default_copy.yaml zusammen mit allen zusätzlichen Argumenten, wie imgsz=320 in diesem Beispiel:

Beispiel

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

FAQ

Wie verwende ich die Befehlszeilenschnittstelle Ultralytics YOLO11 (CLI) für das Modelltraining?

Um ein YOLO11 Modell mit Hilfe von CLI zu trainieren, können Sie einen einfachen einzeiligen Befehl im Terminal ausführen. Um zum Beispiel ein Erkennungsmodell für 10 Epochen mit einer Lernrate von 0,01 zu trainieren, führen Sie folgenden Befehl aus:

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 finden Sie in der Leitfaden zur Konfiguration.

Welche Aufgaben kann ich mit der Ultralytics YOLO11 CLI durchführen?

Die Website Ultralytics YOLO11 CLI unterstützt eine Vielzahl von Aufgaben wie Erkennung, Segmentierung, Klassifizierung, Validierung, Vorhersage, Export und Verfolgung. Zum Beispiel:

  • Ein Modell trainieren: Laufen yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
  • Lauf-Vorhersagen: Verwenden Sie yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
  • Ein Modell exportieren: Ausführen yolo export model=<model.pt> format=<export_format>.

Jede Aufgabe kann mit verschiedenen Argumenten angepasst werden. Eine detaillierte Syntax und Beispiele finden Sie in den jeweiligen Abschnitten wie Trainieren, Vorhersagen und Exportieren.

Wie kann ich die Genauigkeit eines trainierten YOLO11 Modells mit Hilfe der CLI validieren?

Um die Genauigkeit eines YOLO11 Modells zu überprüfen, verwenden Sie die val Modus. Um zum Beispiel ein vorab trainiertes Erkennungsmodell mit einem Chargengröße von 1 und einer Bildgröße von 640, ausführen:

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

Dieser Befehl evaluiert das Modell auf dem angegebenen Datensatz und liefert Leistungskennzahlen. Weitere Einzelheiten finden Sie im Abschnitt Val.

In welche Formate kann ich meine YOLO11 Modelle über CLI exportieren?

YOLO11 Modelle können in verschiedene Formate exportiert werden, z. B. ONNX, CoreML, TensorRT, und andere. Um zum Beispiel ein Modell in das Format ONNX zu exportieren, führen Sie aus:

yolo export model=yolo11n.pt format=onnx

Weitere Einzelheiten finden Sie auf der Seite Export.

Wie kann ich YOLO11 CLI Befehle so anpassen, dass sie die Standardargumente außer Kraft setzen?

Um die Standardargumente in YOLO11 CLI Befehlen zu überschreiben, übergeben Sie sie als arg=value Paare. Um zum Beispiel ein Modell mit benutzerdefinierten Argumenten zu trainieren, verwenden Sie:

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

Eine vollständige Liste der verfügbaren Argumente und ihrer Beschreibungen finden Sie im Konfigurationshandbuch. Stellen Sie sicher, dass die Argumente korrekt formatiert sind, wie im Abschnitt Überschreiben von Standardargumenten beschrieben.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 2 Monaten

Kommentare