Interfaz de línea de comandos
La interfaz de línea de comandos (CLI) de Ultralytics proporciona una forma sencilla de utilizar los modelos YOLO de Ultralytics sin necesidad de un entorno de Python. La CLI permite ejecutar varias tareas directamente desde la terminal utilizando el yolo
comando, que no requiere personalización ni código Python.
Ver: Dominando Ultralytics YOLO: CLI
Ejemplo
Ultralytics yolo
los comandos utilizan la siguiente sintaxis:
yolo TASK MODE ARGS
Dónde:
- 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 opciones personalizadas arg=value
pares como imgsz=320
que anulan los valores predeterminados.
Ver todos los ARGS en la Configuración o con yolo cfg
.
Entrena un modelo de detección durante 10 épocas con una tasa de aprendizaje inicial de 0.01:
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Predecir utilizando un modelo de segmentación pre-entrenado en un vídeo de YouTube con un tamaño de imagen de 320:
yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
Validar un modelo de detección preentrenado con un tamaño de lote de 1 y un tamaño de imagen de 640:
yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
Exporte un modelo de clasificación YOLO al formato ONNX con un tamaño de imagen de 224x128 (no se requiere TASK):
yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128
Ejecuta comandos especiales para ver la versión, la configuración, ejecutar comprobaciones y más:
yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg
Dónde:
TASK
(opcional) es uno de[detect, segment, classify, pose, obb]
. Si no se pasa explícitamente, YOLO intentará inferir elTASK
del tipo de modelo.MODE
(obligatorio) es uno de[train, val, predict, export, track, benchmark]
ARGS
(opcional) son cualquier número de opciones personalizadasarg=value
pares comoimgsz=320
que anulan los valores predeterminados. Para obtener una lista completa de las opciones disponibles,ARGS
, consulta el Configuración página y eldefaults.yaml
.
Advertencia
Los argumentos deben pasarse como arg=val
pares, separados por un signo igual =
igual y delimitados por espacios entre pares. No uses --
prefijos de argumentos o comas ,
entre argumentos.
yolo predict model=yolo11n.pt imgsz=640 conf=0.25
✅yolo predict model yolo11n.pt imgsz 640 conf 0.25
❌yolo predict --model yolo11n.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
Comience a entrenar YOLO11n en COCO8 durante 100 épocas con un tamaño de imagen de 640:
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
Reanudar una sesión de entrenamiento interrumpida:
yolo detect train resume model=last.pt
Val
Validar el precisión del modelo entrenado en el conjunto de datos COCO8. No se necesitan argumentos ya que el model
conserva su entrenamiento data
y argumentos como atributos del modelo.
Ejemplo
Validar un modelo YOLO11n oficial:
yolo detect val model=yolo11n.pt
Validar un modelo entrenado a medida:
yolo detect val model=path/to/best.pt
Predecir
Utilice un modelo entrenado para ejecutar predicciones en imágenes.
Ejemplo
Predecir con un modelo YOLO11n oficial:
yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
Predecir con un modelo personalizado:
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'
Exportar
Exporte un modelo a un formato diferente como ONNX o CoreML.
Ejemplo
Exporte un modelo YOLO11n oficial al formato ONNX:
yolo export model=yolo11n.pt format=onnx
Exporte un modelo entrenado a medida al formato ONNX:
yolo export model=path/to/best.pt format=onnx
Los formatos de exportación de Ultralytics disponibles se encuentran en la tabla siguiente. Puede exportar a cualquier formato utilizando el format
argumento, es decir, format='onnx'
o format='engine'
.
Formato | format Argumento |
Modelo | Metadatos | Argumentos |
---|---|---|---|---|
PyTorch | - | yolo11n.pt |
✅ | - |
TorchScript | torchscript |
yolo11n.torchscript |
✅ | imgsz , half , dynamic , optimize , nms , batch , device |
ONNX | onnx |
yolo11n.onnx |
✅ | imgsz , half , dynamic , simplify , opset , nms , batch , device |
OpenVINO | openvino |
yolo11n_openvino_model/ |
✅ | imgsz , half , dynamic , int8 , nms , batch , data , fraction , device |
TensorRT | engine |
yolo11n.engine |
✅ | imgsz , half , dynamic , simplify , workspace , int8 , nms , batch , data , fraction , device |
CoreML | coreml |
yolo11n.mlpackage |
✅ | imgsz , half , int8 , nms , batch , device |
TF SavedModel | saved_model |
yolo11n_saved_model/ |
✅ | imgsz , keras , int8 , nms , batch , device |
TF GraphDef | pb |
yolo11n.pb |
❌ | imgsz , batch , device |
TF Lite | tflite |
yolo11n.tflite |
✅ | imgsz , half , int8 , nms , batch , data , fraction , device |
TF Edge TPU | edgetpu |
yolo11n_edgetpu.tflite |
✅ | imgsz , device |
TF.js | tfjs |
yolo11n_web_model/ |
✅ | imgsz , half , int8 , nms , batch , device |
PaddlePaddle | paddle |
yolo11n_paddle_model/ |
✅ | imgsz , batch , device |
MNN | mnn |
yolo11n.mnn |
✅ | imgsz , batch , int8 , half , device |
NCNN | ncnn |
yolo11n_ncnn_model/ |
✅ | imgsz , half , batch , device |
IMX500 | imx |
yolo11n_imx_model/ |
✅ | imgsz , int8 , data , fraction , device |
RKNN | rknn |
yolo11n_rknn_model/ |
✅ | imgsz , batch , name , device |
Ver detalles completos del export
detalles sobre el Exportar página.
Anulación de argumentos predeterminados
Anule los argumentos predeterminados pasándolos en la CLI como arg=value
pares.
Consejo
Entrena un modelo de detección durante 10 épocas con una tasa de aprendizaje de 0.01:
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Predecir utilizando un modelo de segmentación pre-entrenado en un vídeo de YouTube con un tamaño de imagen de 320:
yolo segment predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
Validar un modelo de detección preentrenado con un tamaño de lote de 1 y un tamaño de imagen de 640:
yolo detect val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
Anulación del archivo de configuración predeterminado
Anular el default.yaml
archivo de configuración pasando un nuevo archivo con el cfg
argumento, como cfg=custom.yaml
.
Para hacer esto, primero cree una copia de default.yaml
en su directorio de trabajo actual con el yolo copy-cfg
comando, que crea un default_copy.yaml
archivo.
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 proporciona soluciones listas para usar para aplicaciones comunes de visión artificial a través de la CLI. Estas soluciones simplifican la implementación de tareas complejas como el conteo de objetos, el monitoreo de entrenamientos y la gestión de colas.
Ejemplo
Contar objetos en un vídeo o transmisión en vivo:
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file path
Supervisar los ejercicios de entrenamiento utilizando un modelo de pose:
yolo solutions workout show=True
yolo solutions workout source="path/to/video.mp4" # specify video file path
# Use keypoints for ab-workouts
yolo solutions workout kpts=[5, 11, 13] # left side
yolo solutions workout kpts=[6, 12, 14] # right side
Contar objetos en una cola o región designada:
yolo solutions queue show=True
yolo solutions queue source="path/to/video.mp4" # specify video file path
yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # configure queue coordinates
Realice detección de objetos, segmentación de instancias o estimación de poses en un navegador web utilizando Streamlit:
yolo solutions inference
yolo solutions inference model="path/to/model.pt" # use custom model
Vea las soluciones disponibles y sus opciones:
yolo solutions help
Para obtener más información sobre las soluciones de Ultralytics, visite la página de Soluciones.
Preguntas frecuentes
¿Cómo utilizo la interfaz de línea de comandos (CLI) de Ultralytics YOLO para el entrenamiento de modelos?
Para entrenar un modelo utilizando la CLI, ejecuta un comando de una sola línea en la terminal. Por ejemplo, para entrenar un modelo de detección durante 10 epochs con una tasa de aprendizaje de 0.01, ejecuta:
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Este comando utiliza el train
modo con argumentos específicos. Para obtener una lista completa de los argumentos disponibles, consulte el Configuración.
¿Qué tareas puedo realizar con la CLI de Ultralytics YOLO?
La CLI YOLO de Ultralytics admite varias tareas, incluyendo detección, segmentación, clasificación, estimación de pose y detección de cajas delimitadoras orientadas. También puede realizar operaciones como:
- Entrenar un modelo: Ejecutar
yolo train data=<data.yaml> model=<model.pt> epochs=<num>
. - Ejecutar Predicciones: Use
yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>
. - Exportar un Modelo: Ejecutar
yolo export model=<model.pt> format=<export_format>
. - Utilice soluciones: Ejecutar
yolo solutions <solution_name>
para aplicaciones listas para usar.
Personalice cada tarea con varios argumentos. Para obtener una sintaxis y ejemplos detallados, consulte 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, usa el val
modo. 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=yolo11n.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, precision y recall. Para obtener más detalles, consulte la sección Val.
¿A qué formatos puedo exportar mis modelos YOLO usando la CLI?
Puede exportar modelos YOLO a varios formatos, incluidos ONNX, TensorRT, CoreML, TensorFlow y más. Por ejemplo, para exportar un modelo al formato ONNX, ejecute:
yolo export model=yolo11n.pt format=onnx
El comando export admite numerosas opciones para optimizar su modelo para entornos de implementación específicos. Para obtener detalles completos sobre todos los formatos de exportación disponibles y sus parámetros específicos, visite la página Exportar.
¿Cómo utilizo las soluciones preconstruidas en la CLI de Ultralytics?
Ultralytics proporciona soluciones listas para usar a través de la solutions
comando. Por ejemplo, para contar objetos en un video:
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, ejecute yolo solutions help
. Cada solución tiene parámetros específicos que se pueden personalizar para adaptarse a sus necesidades.