Ultralytics YOLO27:
Get Started

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 distintas tareas 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 y con un tamaño de imagen de 640. Para consultar la lista completa de argumentos disponibles, ve a la página de configuración.

Ejemplo

Empieza a entrenar YOLO26n con COCO8 durante 100 épocas y con 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 data de su entrenamiento; los pesos oficiales utilizan por defecto coco8.yaml, según 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 disponibles de Ultralytics se muestran en la siguiente tabla. Puedes exportar a cualquier formato usando 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, 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
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

nms=None usa de forma predeterminada salidas sin procesar para NMS externa. Establece nms=False para seleccionar una cabeza 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.

Colaboradores
GLglenn-jocher28RAraimbekovm5AMambitious-octopus3BUBurhan-Q3JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Comentarios