Empezar

Interfaz de línea de comandos

La interfaz de línea de comandos (CLI) de Ultralytics ofrece una forma sencilla de usar los modelos Ultralytics YOLO sin escribir código Python. La CLI permite ejecutar todas las tareas y modos directamente desde el terminal con el comando yolo.



Ver: Domina Ultralytics YOLO: CLI
Ejemplo

Los comandos yolo de Ultralytics siguen esta sintaxis:

yolo TASK MODE ARGS

Donde:

  • TASK (opcional) es uno de [detect, segment, semantic, depth, classify, pose, obb]
  • MODE (obligatorio) es uno de [train, val, predict, export, track, benchmark]
  • ARGS (opcional) puede ser cualquier número de pares personalizados arg=value, como imgsz=320, que sustituyen 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, semantic, depth, classify, pose, obb]. Si no se especifica, YOLO intentará inferir TASK a partir del tipo de modelo.
  • MODE (obligatorio) es uno de [train, val, predict, export, track, benchmark].
  • ARGS (opcional) puede ser cualquier número de pares personalizados arg=value, como imgsz=320, que sustituyen los valores predeterminados. Para ver la lista completa de ARGS disponibles, consulta la página de configuración y default.yaml.
Advertencia

Los argumentos deben pasarse como pares arg=val, separados por un signo igual = y delimitados por espacios entre pares. No uses prefijos de argumentos -- 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 con el conjunto de datos COCO8 durante 100 épocas con un tamaño de imagen de 640.

Ejemplo

Empieza a entrenar YOLO26n con COCO8 durante 100 épocas y un tamaño de imagen de 640:

yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640

Validar#

Valida la precisión del modelo entrenado con el conjunto de datos COCO8. Si se omite data, un modelo personalizado reutiliza el data de entrenamiento; en el caso de los pesos oficiales, se usa el coco8.yaml predeterminado para la tarea.

Ejemplo

Valida un modelo oficial YOLO26n:

yolo detect val model=yolo26n.pt data=coco8.yaml

Predecir#

Usa un modelo entrenado para hacer predicciones sobre imágenes.

Ejemplo

Haz predicciones con un modelo oficial YOLO26n:

yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

Exportar#

Exporta un modelo a otro formato, como ONNX o CoreML.

Ejemplo

Exporta un modelo oficial YOLO26n al formato ONNX:

yolo export model=yolo26n.pt format=onnx

Los formatos de exportación de Ultralytics disponibles se muestran en la tabla siguiente. Puedes exportar a cualquier formato con el argumento format, por ejemplo, format='onnx' o format='engine'.

FormatoArgumento formatModeloMetadatosArgumentos
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, quantize, dynamic, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, quantize, dynamic, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, quantize, nms, batch, device
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, quantize, opset, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, opset, batch, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, quantize, opset, data, fraction, device
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, dynamic, quantize, simplify, opset, nms, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, quantize, device
IMX500imxyolo11n_imx_model/✅imgsz, quantize, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, quantize, batch, data, fraction, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, quantize, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, quantize, simplify, opset, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou, device
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms, device
AMD Xilinxxilinxyolo26n_xilinx_model/✅imgsz, name, quantize, data, fraction, opset, simplify, device
NXPnxpyolo26n_nxp.tflite✅imgsz, quantize, data, fraction, device

nms=None genera salidas sin procesar de forma predeterminada para aplicar NMS externamente (YOLO26 mantiene su cabezal sin NMS en Axelera). Establece nms=False para seleccionar un cabezal sin NMS disponible; los formatos no compatibles recurren a su ruta de salida nativa. Las entradas nms anteriores identifican los formatos que pueden integrar NMS con nms=True.

Consulta todos los detalles de export en la página de Export.

Sustituir los argumentos predeterminados#

Sustituye los argumentos predeterminados pasándolos a la CLI como pares arg=value.

Consejo

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 optimizer=SGD lr0=0.01

Sustituir el archivo de configuración predeterminado#

Sustituye por completo el archivo de configuración default.yaml pasando un archivo nuevo con el argumento cfg, como cfg=custom.yaml.

Para hacerlo, primero crea una copia de default.yaml en el directorio de trabajo actual con el comando yolo copy-cfg, que crea un archivo default_copy.yaml.

A continuación, puedes pasar este archivo como cfg=default_copy.yaml junto con argumentos adicionales, como imgsz=320 en este ejemplo:

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

Comandos de soluciones#

Ultralytics ofrece soluciones listas para usar para aplicaciones habituales de visión artificial a través de la CLI. El comando yolo solutions incluye recuento de objetos, recorte, desenfoque, supervisión de entrenamientos, mapas de calor, segmentación de instancias, VisionEye, estimación de velocidad, gestión de colas, análisis, inferencia con Streamlit, seguimiento por zonas, recuento por regiones, alarmas de seguridad y gestión de aparcamientos; consulta la página de Solutions para ver el catálogo completo. Ejecuta yolo solutions help para mostrar todas las soluciones compatibles y sus argumentos.

Ejemplo

Cuenta objetos en un vídeo o una transmisión en directo:

yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file path

Para obtener más información sobre las soluciones de Ultralytics, visita la página de Solutions.

Preguntas frecuentes#

  • Para entrenar un modelo con la CLI, ejecuta un comando de una sola línea en el terminal. Por ejemplo, para entrenar un modelo de detección durante 10 épocas, ejecuta:

    yolo train data=coco8.yaml model=yolo26n.pt epochs=10

    Este comando utiliza el modo train con argumentos específicos. Consulta la Configuration Guide para ver la lista completa de argumentos disponibles.

  • La CLI de Ultralytics YOLO admite varias tareas, como detección, segmentación, segmentación semántica, estimación de profundidad, clasificación, estimación de poses 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>.
    • Realizar 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 utilizar aplicaciones listas para usar.

    Personaliza cada tarea con distintos argumentos. Para consultar la sintaxis detallada y ver ejemplos, visita las secciones correspondientes, como Train, Predict y Export.

  • 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=640

    Este comando evalúa el modelo con el conjunto de datos especificado y proporciona métricas de rendimiento como mAP, precisión y exhaustividad. Para obtener más información, consulta la sección Val.

  • Puedes exportar modelos YOLO a varios formatos, como ONNX, TensorRT, CoreML, TensorFlow, entre otros. Por ejemplo, para exportar un modelo al formato ONNX, ejecuta:

    yolo export model=yolo26n.pt format=onnx

    El comando de exportación admite numerosas opciones para optimizar el modelo para entornos de implementación específicos. Para consultar todos los formatos de exportación disponibles y sus parámetros específicos, visita la página de Export.

  • Ultralytics ofrece soluciones listas para usar mediante el 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 ofrecen funcionalidad inmediata para tareas habituales de visión artificial. Para ver todas las soluciones disponibles, ejecuta yolo solutions help. Cada solución tiene parámetros específicos que puedes personalizar según tus necesidades.

Comentarios28

Haz una pregunta, comparte tus resultados o ayuda a otra persona.

  1. Lishiquan12GitHub

    Usage: yolo [OPTIONS] COMMAND [ARGS]... Try 'yolo -h' for help.

    Error: No such command 'detect'. why?

    1
    1. Glenn JocherUltralytics

      嘿!看起来你在尝试使用 detect 命令,但这实际上并不直接作为命令使用。😅 在YOLOv8 CLI中,detect 更像是一个任务类型标识符,而不是直接使用的命令。

      比如说,如果你想要对一张图片进行预测(检测),你可以这样做:

      yolo detect predict model=yolov8n.pt source='path/to/image.jpg'

      这里 detect 指出你想要进行的是物体检测任务,predict 是你想要进行的模式,接着是模型和图像源的具体参数。🔍

      确保检查 Ultralytics YOLO 文档 获取更多详细信息和参数选项!希望这有助于解决问题!

    2. Glenn JocherUltralytics

      看起来你遇到了 'yolo detect' 是无效命令 的问题。 😊 对于YOLOv8 CLI的用法, 实际上你不需要直接使用 "detect" 作为命令。以下是一个简单的例子,演示如何正确地使用 CLI 来运行一个预测:

      yolo predict model=yolov8n.pt source='path/to/your/image.jpg'

      在这个例子中,我们使用 predict 而不是 detect,然后指定模型和要进行预测的数据源。希望这能帮助到你!如果还有其他疑问,欢迎继续提问。👍

  2. User

    Hello Team Ultralytics,

    Good morning!

    Many thanks for the great work.

    Couple of questions:

    1. How can i generate same graphs (graphs after training) after using the trained model on my unsense samples data?
    2. I can use the target folder after training the model, however, it only exports the images with the prediction boxes. I want to have a pie chart or bar chart or even the same plots it exports after the training run
    3. For the object detection via a video, if i have 4 images to display in one second, the model looks the same image multiple times. How can we correct the frames reading?

    Looking forward to your kind input,

    Kind regards,

    MUK

  3. duoerkuGitHub

    你好,进一部沟通请联系15680550171, 或者添加微信 BK-Mike

    1. Glenn JocherUltralytics(editado)

      @yizhihuo666 好问题!当你更新到最新版本的Ultralytics库时,不指定模型时使用的默认模型会随版本更新(现在检测任务默认为 yolo26n.pt)。这就是为什么你的原始命令会提示下载新的默认模型文件。

      如果你想继续使用YOLOv8模型,可以显式指定模型路径:

      yolo train model=yolov8n.pt data=your_data.yaml epochs=100

      如果你想使用最新的YOLO26模型(推荐),可以直接使用:

      yolo train model=yolo26n.pt data=your_data.yaml epochs=100

      YOLO26提供了更好的性能和准确性,所以建议升级到新模型。

      @duoerku 请在GitHub上提出具体的技术问题,我们会在这里为你提供支持,无法提供私人联系方式。

    2. yizhihuo666GitHub

      Thank you for your reply. As you mentioned, the system has now been updated to the YOLOv11 algorithm. I would like to know how I should proceed if I want to train the yolov8n.pt model using the YOLOv8 algorithm. Do I need to revert to a previous version of Ultralytics?

    3. Glenn JocherUltralytics(editado)

      @yizhihuo666 You don't need to downgrade Ultralytics! The current version still fully supports YOLOv8 models. Simply specify the YOLOv8 model explicitly in your command:

      yolo train model=yolov8n.pt data=your_data.yaml epochs=100

      The latest Ultralytics version supports both YOLOv8 and YOLO26 models - it just defaults to the current default model (yolo26n.pt for detection) when no model is specified. By explicitly using model=yolov8n.pt, you'll train with the YOLOv8 architecture as intended.

  4. yizhihuo666GitHub

    May I ask which algorithm is used by default for training through the ultralytic command line, YOLOV8 or YOLOV11

    1. yizhihuo666GitHub

      I trained yolov8n.pt using the command line in 2023 and recently updated the latest version of the ultralytic library. I found that when I used the original command, it kept prompting me to download the yolo11n.pt file

  5. muhammadrizwan11GitHub

    I noticed some discrepancies in the training and validation commands under the CLI chapter of the Ultralytics YOLO documentation. The documented training command is written as '' yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 '' but the correct command should be '' yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01'' The word "detect" should be removed. Similarly, the validation command is written as '' yolo detect val model=yolo11n.pt'' , whereas the correct command should be '' yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640 ''. Again, "detect" is unnecessary, and important parameters such as the dataset (data=coco8.yaml), batch size (batch=1), and image size (imgsz=640) are missing. These inconsistencies might cause confusion for users following the documentation. Could the team review and update this section for accuracy? i am also doing working in yolo https://github.com/muhammadrizwan11

    1. Glenn JocherUltralytics

      @muhammadrizwan11 thank you for pointing this out! You're correct that the detect task argument is optional in CLI commands when the model type is specified, as YOLO can infer the task from the model name. Both yolo detect train and yolo train syntaxes are valid, but we'll standardize the docs to use the more concise form where possible. The validation example should indeed include explicit parameters for clarity, even though data is inherited from training. We'll update the documentation to reflect these points. For reference, see the CLI Syntax section in the Ultralytics YOLO documentation.

  6. aryakptGitHub

    HI, can you help me, how do i save the validation result if i use CLI? Because i clone github ultralytics directly

    1. Glenn JocherUltralytics(editado)

      @aryakpt validation results (metrics and plots such as the confusion matrix) are saved to a run folder like runs/detect/val by default. Add save_json=True to also save predictions as a COCO-format JSON file:

      yolo val model=path/to/best.pt data=data.yaml save_json=True

    2. aryakptGitHub(editado)

      thanks glenn for the response. but how can i access the val result like this using CLI? I want to save it in a variable

      best_model = YOLO(f"{output_path}/train{suffix}/weights/best.pt")
      val_result = best_model.val(data=data,  project=output_path)
      map50 = val_result.box.map50
    3. Glenn JocherUltralytics(editado)

      The CLI doesn't return variables, and save_json=True saves per-image predictions in COCO JSON format rather than the summary metrics. To access metrics like mAP50 programmatically, use the Python API:

      from ultralytics import YOLO
      
      metrics = YOLO("path/to/best.pt").val(data="data.yaml")
      print(metrics.box.map50)

      For details, see the Val mode documentation.

  7. sakrigGitHub

    Apple's NeuralEngine API accelerates models for all new Apple products with the M4 chips.

    Does the IOS CLI app use the NeuralEngine for all Apple M4 products? Does Ultralytics support the M4 processor on the latest Mac, MacMini, Mac Pro, iPad, iPhone ...?

    Seems straight forward to support the M4 NeuralEngine for all Apple products, but I have not tried.

    1. Glenn JocherUltralytics

      @sakrig ultralytics YOLO models can be exported to CoreML format for Apple devices, which leverages Apple's native acceleration including NeuralEngine where available. For M4 support, ensure you're using the latest PyTorch versions with macOS MPS backend. See our CoreML export docs for implementation details.

    1. Glenn JocherUltralytics

      @arasul42 yes, you can pass a hyperparameter file in the CLI using the cfg argument, like this: yolo train cfg=your_hyperparameters.yaml.

      2
  8. duoerkuGitHub

    你好,进一部沟通请联系15680550171, 或者添加微信 BK-Mike

    1. Glenn JocherUltralytics

      @duoerku 你好!很抱歉,我们无法通过电话或微信进行交流,但我们很乐意在这个问题跟踪系统中帮助你解决任何有关Ultralytics YOLO的问题。如果你有任何技术问题或需要进一步的帮助,请随时在这里详细说明,我们会尽快给你回复。感谢你的理解,并期待你的回复。🙂

  9. duoerkuGitHub

    你好,进一部沟通请联系15680550171, 或者添加微信 BK-Mike

    1. Paula DerrengerUltralytics

      您好,谢谢您对Ultralytics YOLOv8的兴趣!🚀 对于技术支持和进一步的沟通,请优先利用GitHub Issues功能提出您的问题或需求,这样我们能够提供更有条理且可追踪的支持。

      就您提供的信息来看,您似乎对命令行界面(CLI)的使用方法有兴趣,这里是可以通过几个简单示例来帮助您开始:

      1. 训练一个模型:

        yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01
      2. 运行预测:

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

        yolo val model=yolov8n.pt data=coco128.yaml batch=1 imgsz=640
      4. 导出模型为ONNX格式:

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

      更多详细命令和选项,请参阅我们的官方文档。如果有更具体的问题或需求,欢迎在GitHub上开启一个issue进行讨论。🤗