Interfaz de línea de comandos
La interfaz de línea de comandos (CLI) de Ultralytics ofrece una forma sencilla de utilizar los modelos YOLO de Ultralytics sin necesidad de un entorno Python. La CLI permite ejecutar varias tareas directamente desde el terminal utilizando el comando yolo, sin requerir personalización ni código Python.
Watch: Mastering Ultralytics YOLO: CLI
Los comandos yolo de Ultralytics utilizan la siguiente sintaxis:
yolo TASK MODE ARGSDonde:
TASK(opcional) es uno de [detect, segment, classify, pose, obb]MODE(obligatorio) es uno de [train, val, predict, export, track, benchmark]ARGS(opcional) son cualquier número de pares personalizadosarg=valuecomoimgsz=320que sobrescriben los valores predeterminados.
Consulta todos los ARGS en la Guía de configuración completa o con yolo cfg.
Donde:
TASK(opcional) es uno de[detect, segment, classify, pose, obb]. Si no se especifica, YOLO intentará inferir laTASKa partir del tipo de modelo.MODE(obligatorio) es uno de[train, val, predict, export, track, benchmark]ARGS(opcional) son cualquier número de pares personalizadosarg=valuecomoimgsz=320que sobrescriben los valores predeterminados. Para obtener una lista completa de losARGSdisponibles, consulta la página de Configuración ydefault.yaml.
Los argumentos deben pasarse como pares arg=val, separados por un signo igual = y delimitados por espacios entre pares. No utilices prefijos de argumento -- ni comas , entre argumentos.
yolo predict model=yolo26n.pt imgsz=640 conf=0.25✅yolo predict model yolo26n.pt imgsz 640 conf 0.25❌yolo predict --model yolo26n.pt --imgsz 640 --conf 0.25❌
Entrenar
Entrena YOLO en el conjunto de datos COCO8 durante 100 epochs con un tamaño de imagen de 640. Para obtener una lista completa de los argumentos disponibles, consulta la página de Configuración.
Inicia el entrenamiento de YOLO26n en COCO8 durante 100 epochs con un tamaño de imagen de 640:
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640Validar
Valida la accuracy del modelo entrenado en el conjunto de datos COCO8. No se necesitan argumentos, ya que el model conserva sus data de entrenamiento y argumentos como atributos del modelo.
Valida un modelo YOLO26n oficial:
yolo detect val model=yolo26n.ptPredecir
Utiliza un modelo entrenado para realizar predicciones en imágenes.
Predice con un modelo YOLO26n oficial:
yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'Exportar
Exporta un modelo a un formato diferente, como ONNX o CoreML.
Exporta un modelo YOLO26n oficial al formato ONNX:
yolo export model=yolo26n.pt format=onnxLos formatos de exportación de Ultralytics disponibles se muestran en la siguiente tabla. Puedes exportar a cualquier formato utilizando el argumento format, por ejemplo, format='onnx' o format='engine'.
| Formato | Argumento format | Modelo | Metadatos | Argumentos |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, half, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, half, dynamic, simplify, opset, nms, batch, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, half, dynamic, int8, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, half, int8, nms, batch, device |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, keras, int8, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, batch, device |
| TF Lite | tflite | yolo26n.tflite | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, int8, data, fraction, device |
| TF.js | tfjs | yolo26n_web_model/ | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, int8, half, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, half, batch, device |
| IMX500 | imx | yolo26n_imx_model/ | ✅ | imgsz, int8, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, int8, data, fraction, device |
| DeepX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, int8, data, optimize, device |
Consulta los detalles completos de export en la página de Exportación.
Cómo anular argumentos predeterminados
Anula los argumentos predeterminados pasándolos en la CLI como pares arg=value.
Entrena un modelo de detección durante 10 épocas con una tasa de aprendizaje de 0,01:
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01Cómo anular el archivo de configuración predeterminado
Anula el archivo de configuración default.yaml completamente pasando un archivo nuevo con el argumento cfg, como por ejemplo cfg=custom.yaml.
Para hacer esto, primero crea una copia de default.yaml en tu directorio de trabajo actual con el comando yolo copy-cfg, el cual creará un archivo default_copy.yaml.
Luego puedes pasar este archivo como cfg=default_copy.yaml junto con cualquier argumento adicional, como imgsz=320 en este ejemplo:
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320Comandos de soluciones
Ultralytics proporciona soluciones listas para usar para aplicaciones comunes de visión artificial a través de la CLI. El comando yolo solutions expone conteo de objetos, recorte, desenfoque, monitorización de ejercicios, mapas de calor, segmentación de instancias, VisionEye, estimación de velocidad, gestión de colas, análisis, inferencia con Streamlit y seguimiento basado en zonas; consulta la página de Soluciones para ver el catálogo completo. Ejecuta yolo solutions help para listar todas las soluciones compatibles y sus argumentos.
Cuenta objetos en un vídeo o emisión en directo:
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file pathPara obtener más información sobre las soluciones de Ultralytics, visita la página de Soluciones.
Preguntas frecuentes
¿Cómo uso la interfaz de línea de comandos (CLI) de Ultralytics YOLO para entrenar modelos?
Para entrenar un modelo usando la CLI, ejecuta un comando de una sola línea en el terminal. Por ejemplo, para entrenar un modelo de detección durante 10 épocas con una tasa de aprendizaje de 0,01, ejecuta:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01Este comando usa el modo train con argumentos específicos. Para ver una lista completa de los argumentos disponibles, consulta la Guía de configuración.
¿Qué tareas puedo realizar con la CLI de Ultralytics YOLO?
La CLI de Ultralytics YOLO admite varias tareas, incluyendo detección, segmentación, clasificación, estimación de pose y detección de cajas delimitadoras orientadas. También puedes realizar operaciones como:
- Entrenar un modelo: Ejecuta
yolo train data=<data.yaml> model=<model.pt> epochs=<num>. - Ejecutar predicciones: Usa
yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>. - Exportar un modelo: Ejecuta
yolo export model=<model.pt> format=<export_format>. - Usar soluciones: Ejecuta
yolo solutions <solution_name>para aplicaciones listas para usar.
Personaliza cada tarea con varios argumentos. Para ver la sintaxis detallada y ejemplos, consulta las secciones respectivas como Train, Predict y Export.
¿Cómo puedo validar la precisión de un modelo YOLO entrenado usando la CLI?
Para validar la precisión de un modelo, usa el modo val. Por ejemplo, para validar un modelo de detección preentrenado con un tamaño de lote de 1 y un tamaño de imagen de 640, ejecuta:
yolo val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640Este comando evalúa el modelo en el conjunto de datos especificado y proporciona métricas de rendimiento como mAP, precisión y recall. Para más detalles, consulta la sección Val.
¿A qué formatos puedo exportar mis modelos YOLO usando la CLI?
Puedes exportar modelos YOLO a varios formatos, incluyendo ONNX, TensorRT, CoreML, TensorFlow y más. Por ejemplo, para exportar un modelo al formato ONNX, ejecuta:
yolo export model=yolo26n.pt format=onnxEl comando de exportación admite numerosas opciones para optimizar tu modelo para entornos de despliegue específicos. Para obtener detalles completos sobre todos los formatos de exportación disponibles y sus parámetros específicos, visita la página de Exportación.
¿Cómo uso las soluciones preconstruidas en la CLI de Ultralytics?
Ultralytics proporciona soluciones listas para usar a través del comando solutions. Por ejemplo, para contar objetos en un vídeo:
yolo solutions count source="path/to/video.mp4"Estas soluciones requieren una configuración mínima y proporcionan funcionalidad inmediata para tareas comunes de visión artificial. Para ver todas las soluciones disponibles, ejecuta yolo solutions help. Cada solución tiene parámetros específicos que pueden personalizarse para ajustarse a tus necesidades.