Ultralytics YOLO27:

Interfaz de línea de comandos#

La interfaz de línea de comandos (CLI) de Ultralytics ofrece una forma directa 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 ninguna personalización ni código Python.



Watch: Mastering Ultralytics YOLO: CLI
Ejemplo

Los comandos yolo de Ultralytics utilizan la siguiente 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) son cualquier número de pares personalizados arg=value como imgsz=320 que anulan los valores predeterminados.

Consulta todos los argumentos (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 pasa explícitamente, YOLO intentará inferir TASK a partir del tipo de modelo.
  • MODE (obligatorio) es uno de [train, val, predict, export, track, benchmark]
  • ARGS (opcional) son cualquier número de pares personalizados arg=value como imgsz=320 que anulan los valores predeterminados. Para obtener una lista completa de los 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 utilices prefijos de argumentos -- ni comas , entre los 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 épocas con un tamaño de imagen de 640. Para obtener una lista completa de los argumentos disponibles, consulta la página de Configuración.

Ejemplo

Inicia el entrenamiento de YOLO26n en COCO8 durante 100 épocas con un tamaño de imagen de 640:

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

Val#

Valida la precisión del modelo entrenado en el conjunto de datos COCO8. No se necesitan argumentos, ya que model conserva su data y sus argumentos de entrenamiento como atributos del modelo.

Ejemplo

Valida un modelo oficial YOLO26n:

yolo detect val model=yolo26n.pt

Predecir#

Utiliza un modelo entrenado para ejecutar predicciones en imágenes.

Ejemplo

Predice con un modelo oficial YOLO26n:

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.

Ejemplo

Exporta un modelo oficial YOLO26n al formato ONNX:

yolo export model=yolo26n.pt format=onnx

Los formatos de exportación de Ultralytics disponibles se encuentran en la tabla siguiente. Puedes exportar a cualquier formato utilizando el argumento format, es decir, 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
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, keras, 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
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, dynamic, quantize, simplify, opset, nms, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, quantize, batch, device
IMX500imxyolo26n_imx_model/✅imgsz, quantize, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, 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
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize

nms=None se establece por defecto en salidas sin procesar para la NMS externa. Configura nms=False para seleccionar una cabeza libre de NMS disponible; los formatos no compatibles recurren a su ruta de salida nativa. Las entradas nms anteriores identifican los formatos que pueden incrustar la NMS con nms=True.

Consulta los detalles completos de export en la página de Exportación.

Anular los argumentos predeterminados#

Anula los argumentos predeterminados pasándolos en 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 lr0=0.01

Anular el archivo de configuración predeterminado#

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

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

A continuación, puedes pasar este archivo como cfg=default_copy.yaml junto con cualquier argumento adicional, 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 comunes de visión artificial a través de la CLI. El comando yolo solutions expone el recuento de objetos, el recorte, el desenfoque, la supervisión de entrenamientos, los mapas de calor, la segmentación de instancias, VisionEye, la estimación de velocidad, la gestión de colas, la analítica, la inferencia con Streamlit y el seguimiento basado en zonas; consulta la página de Soluciones para ver el catálogo completo. Ejecuta yolo solutions help para enumerar todas las soluciones compatibles y sus argumentos.

Ejemplo

Cuenta objetos en un vídeo o flujo 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 Soluciones.

Preguntas frecuentes#

  • Para entrenar un modelo utilizando 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=0.01

    Este comando utiliza el modo train con argumentos específicos. Para obtener una lista completa de los argumentos disponibles, consulta la Guía de configuración.

  • La CLI de Ultralytics YOLO admite varias tareas, incluidas la detección, la segmentación, la segmentación semántica, la estimación de profundidad, la clasificación, la estimación de poses y la detección de cuadros delimitadores orientados. También puedes realizar operaciones como:

    • Entrenar un modelo: ejecuta yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
    • Ejecutar predicciones: utiliza yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
    • Exportar un modelo: ejecuta yolo export model=<model.pt> format=<export_format>.
    • Utilizar soluciones: ejecuta yolo solutions <solution_name> para aplicaciones ya preparadas.

    Personaliza cada tarea con varios argumentos. Para ver la sintaxis detallada y ejemplos, consulta las secciones respectivas como Entrenar, Predecir y Exportar.

  • Para validar la precisión de un modelo, utiliza 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 en el conjunto de datos especificado y proporciona métricas de rendimiento como mAP, precisión y exhaustividad. Para obtener más detalles, consulta la sección Val.

  • Puedes exportar los modelos YOLO a varios formatos, incluidos ONNX, TensorRT, CoreML, TensorFlow y más. 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 tu modelo para entornos de despliegue específicos. Para obtener todos los detalles sobre los formatos de exportación disponibles y sus parámetros específicos, visita la página de Exportación.

  • Ultralytics ofrece 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 una funcionalidad inmediata para tareas comunes de visión artificial. Para ver todas las soluciones disponibles, ejecuta yolo solutions help. Cada solución tiene parámetros específicos que se pueden personalizar para adaptarlos a tus necesidades.

Colaboradores
GLglenn-jocher27AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Comentarios