Ir al contenido

Interfaz de línea de comandos

La interfaz de línea de comandosCLI de Ultralytics proporciona una forma sencilla de utilizar los modelosYOLO Ultralytics sin necesidad de un entorno Python . La CLI permite ejecutar varias tareas directamente desde el terminal utilizando el comando yolo que no requiere personalización ni código Python .



Observa: Dominio de Ultralytics YOLO : CLI

Ejemplo

Ultralytics yolo utilizan la siguiente sintaxis: 

yolo TASK MODE ARGS

Dónde: - TASK (opcional) es una de las siguientes opciones [detectar, segmentar, clasificar, pose, obb]. - MODE (obligatorio) es una de las siguientes opciones [train, val, predict, export, track, benchmark]. - ARGS (opcional) son cualquier número de arg=value pares como imgsz=320 que anulan los valores predeterminados.

Ver todos los ARGS al completo Guía de configuración o con yolo cfg.

Entrene 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 preentrenado 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

Exportar un modelo de clasificación YOLO a formato ONNX con tamaño de imagen 224x128 (no requiere TASK):

yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128

Ejecute comandos especiales para ver la versión, la configuración, ejecutar comprobaciones, etc:

yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg

Dónde:

  • TASK (opcional) es una de [detect, segment, classify, pose, obb]. Si no se pasa explícitamente, YOLO intentará deducir el TASK del tipo de modelo.
  • MODE (obligatorio) es uno de [train, val, predict, export, track, benchmark]
  • ARGS (opcional) son cualquier número de arg=value pares como imgsz=320 que anulan los valores predeterminados. Para obtener una lista completa de los ARGS, véase el Configuración página y defaults.yaml.

Advertencia

Los argumentos deben pasarse como arg=val separados por un signo igual = y delimitado por espacios entre pares. No utilice -- prefijos argumentales 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   ❌

Tren

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, consulte la página Configuración.

Ejemplo

Comienza el entrenamiento de 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

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

Ejemplo

Validar un modelo oficial YOLO11n:

yolo detect val model=yolo11n.pt

Validar un modelo entrenado a medida:

yolo detect val model=path/to/best.pt

Predecir

Utilizar un modelo entrenado para realizar predicciones sobre imágenes.

Ejemplo

Predecir con un modelo oficial YOLO11n:

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

Exportar un modelo a un formato diferente como ONNX o CoreML.

Ejemplo

Exporta un modelo oficial YOLO11n 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 disponibles de Ultralytics se encuentran en la tabla siguiente. Puede exportar a cualquier formato utilizando el botón format argumento, es decir format='onnx' o format='engine'.

Formato format Argumento Modelo Metadatos Argumentos
PyTorch - yolo11n.pt ✅ -
TorchScript torchscript yolo11n.torchscript ✅ imgsz, optimize, nms, batch
ONNX onnx yolo11n.onnx ✅ imgsz, half, dynamic, simplify, opset, nms, batch
OpenVINO openvino yolo11n_openvino_model/ ✅ imgsz, half, dynamic, int8, nms, batch, data
TensorRT engine yolo11n.engine ✅ imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data
CoreML coreml yolo11n.mlpackage ✅ imgsz, half, int8, nms, batch
TF SavedModel saved_model yolo11n_saved_model/ ✅ imgsz, keras, int8, nms, batch
TF GraphDef pb yolo11n.pb ❌ imgsz, batch
TF Lite tflite yolo11n.tflite ✅ imgsz, half, int8, nms, batch, data
TF Borde TPU edgetpu yolo11n_edgetpu.tflite ✅ imgsz
TF.js tfjs yolo11n_web_model/ ✅ imgsz, half, int8, nms, batch
PaddlePaddle paddle yolo11n_paddle_model/ ✅ imgsz, batch
MNN mnn yolo11n.mnn ✅ imgsz, batch, int8, half
NCNN ncnn yolo11n_ncnn_model/ ✅ imgsz, half, batch
IMX500 imx yolov8n_imx_model/ ✅ imgsz, int8, data
RKNN rknn yolo11n_rknn_model/ ✅ imgsz, batch, name

Ver todos export detalles sobre el Exportar página.

Modificación de los argumentos por defecto

Anula los argumentos por defecto pasándolos en la CLI como arg=value pares.

Consejo

Entrene 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 preentrenado 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 por defecto

Anular el default.yaml completamente pasando un nuevo archivo con la extensión cfg como cfg=custom.yaml.

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

A continuación, puede 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

Soluciones Comandos

Ultralytics proporciona soluciones listas para usar para aplicaciones comunes de visión por ordenador a través de la CLI. Estas soluciones simplifican la implementación de tareas complejas como el recuento de objetos, la supervisión de entrenamientos y la gestión de colas.

Ejemplo

Contar 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

Supervisa 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 la detección de objetos, la segmentación de instancias o la 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 más información sobre las soluciones Ultralytics , visite la página Soluciones.

PREGUNTAS FRECUENTES

¿Cómo se utiliza la interfaz de línea de comandosCLI Ultralytics YOLO para la formación de modelos?

Para entrenar un modelo mediante la CLI, ejecute 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, ejecute:

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Este comando utiliza la función train con argumentos específicos. Para obtener una lista completa de los argumentos disponibles, consulte la página Guía de configuración.

¿Qué tareas puedo realizar con Ultralytics YOLO CLI?

Ultralytics YOLO CLI admite diversas tareas, como la detección, la segmentación, la clasificación, la estimación de la pose y la detección de cuadros delimitadores orientados. También puede realizar operaciones como:

  • Entrenar un modelo: Ejecutar yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
  • Predicciones de carrera: Utilice yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
  • Exportar un modelo: Ejecutar yolo export model=<model.pt> format=<export_format>.
  • Soluciones de uso: Ejecutar yolo solutions <solution_name> para aplicaciones preparadas.

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

¿Cómo puedo validar la precisión de un modelo YOLO entrenado utilizando la CLI?

Para validar la precisiónutilice el botón val modo. Por ejemplo, para validar un modelo de detección preentrenado con un tamaño del lote de 1 y un tamaño de imagen de 640, ejecutar:

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, precisión y recall. Para obtener más información, consulte la sección Val.

¿A qué formatos puedo exportar mis modelos YOLO utilizando la CLI?

Puede exportar modelos YOLO a varios formatos, incluyendo ONNX, TensorRT, CoreML, TensorFlow y más. Por ejemplo, para exportar un modelo a formato ONNX , ejecute:

yolo export model=yolo11n.pt format=onnx

El comando de exportación admite numerosas opciones para optimizar su modelo para entornos de despliegue específicos. Para obtener información completa sobre todos los formatos de exportación disponibles y sus parámetros específicos, visite la página Exportar.

¿Cómo se utilizan las soluciones preconstruidas en Ultralytics CLI?

Ultralytics proporciona soluciones listas para usar a través de la solutions comando. 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 las tareas habituales de visión por ordenador. Para ver todas las soluciones disponibles, ejecute yolo solutions help. Cada solución tiene parámetros específicos que pueden adaptarse a sus necesidades.

Creado hace 1 año ✏️ Actualizado hace 8 días
glenn-jocher UltralíticoAsistente jk4e MatthewNoyce ambicioso-octopus Burhan-Q RizwanMunawar AyushExel Laughing-q nihui

Comentarios