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
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
seine Ausbildung beibehält 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 , int8 , 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 |
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:
FAQ
Wie verwende ich die Ultralytics YOLOv8 Befehlszeilenschnittstelle (CLI) für das Modelltraining?
Um ein YOLOv8 Modell mit CLI zu trainieren, kannst du einen einfachen einzeiligen Befehl im Terminal ausführen. Um zum Beispiel ein Erkennungsmodell für 10 Epochen mit einer Lernrate von 0,01 zu trainieren, führst du folgenden Befehl aus:
Dieser Befehl verwendet die train
Modus mit bestimmten Argumenten. Die vollständige Liste der verfügbaren Argumente findest du in der Konfigurationsleitfaden.
Welche Aufgaben kann ich mit dem Ultralytics YOLOv8 CLI durchführen?
Die Website Ultralytics YOLOv8 CLI unterstützt eine Vielzahl von Aufgaben wie Erkennung, Segmentierung, Klassifizierung, Validierung, Vorhersage, Export und Verfolgung. Zum Beispiel:
- 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.
Wie kann ich die Genauigkeit eines trainierten YOLOv8 Modells mit Hilfe der CLI validieren?
Um die Genauigkeit eines YOLOv8 Modells zu überprüfen, verwende die val
Modus. Um zum Beispiel ein trainiertes Erkennungsmodell mit einer Losgröße von 1 und einer Bildgröße von 640 zu validieren, führe es aus:
Dieser Befehl wertet das Modell anhand des angegebenen Datensatzes aus und liefert Leistungskennzahlen. Weitere Informationen findest du im Abschnitt Val.
In welche Formate kann ich meine YOLOv8 Modelle mit CLI exportieren?
YOLOv8 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, führe aus:
Weitere Informationen findest du auf der Seite Export.
Wie kann ich YOLOv8 CLI Befehle so anpassen, dass sie die Standardargumente außer Kraft setzen?
Um die Standardargumente in YOLOv8 CLI Befehlen zu überschreiben, gibst du sie als arg=value
Paare. Um zum Beispiel ein Modell mit benutzerdefinierten Argumenten zu trainieren, verwende:
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.
Erstellt 2023-11-12, Aktualisiert 2024-07-04
Autoren: glenn-jocher (19), ambitious-octopus (1), Burhan-Q (3), RizwanMunawar (1), AyushExel (1), Laughing-q (1), shuizhuyuanluo@126.com (1)