Interface en ligne de commande
L’interface en ligne de commande (CLI) d’Ultralytics offre un moyen simple d’utiliser les modèles Ultralytics YOLO sans écrire de code Python. La CLI permet d’exécuter directement chaque tâche et chaque mode depuis le terminal à l’aide de la commande yolo.
Regarder : Maîtriser Ultralytics YOLO : CLI
Les commandes yolo d'Ultralytics utilisent la syntaxe suivante :
yolo TASK MODE ARGSOù :
TASK(facultatif) correspond à l'une des valeurs suivantes : [detect, segment, semantic, depth, classify, pose, obb]MODE(obligatoire) correspond à l'une des valeurs suivantes : [train, val, predict, export, track, benchmark]ARGS(facultatif) désigne un nombre quelconque de paires personnaliséesarg=value, telles queimgsz=320, qui remplacent les valeurs par défaut.
Consulte tous les ARGS dans le guide de configuration complet ou avec yolo cfg.
Où :
TASK(facultatif) correspond à l'une des valeurs suivantes :[detect, segment, semantic, depth, classify, pose, obb]. Si elle n'est pas indiquée explicitement, YOLO essaiera de déduire laTASKà partir du type de modèle.MODE(obligatoire) correspond à l'une des valeurs suivantes :[train, val, predict, export, track, benchmark]ARGS(facultatif) désigne un nombre quelconque de paires personnaliséesarg=value, telles queimgsz=320, qui remplacent les valeurs par défaut. Pour obtenir la liste complète desARGSdisponibles, consulte la page Configuration etdefault.yaml.
Les arguments doivent être transmis sous forme de paires arg=val, séparées par un signe égal = et délimitées par des espaces entre les paires. N'utilise pas de préfixes d'argument -- ni de virgules , entre les arguments.
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❌
Entraînement#
Entraîne YOLO sur le jeu de données COCO8 pendant 100 époques avec une taille d’image de 640.
Lance l’entraînement de YOLO26n sur COCO8 pendant 100 époques avec une taille d’image de 640 :
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640Validation#
Valide la précision du modèle entraîné sur le jeu de données COCO8. Un modèle personnalisé réutilise son data d’entraînement si data est omis ; les poids officiels utilisent par défaut coco8.yaml, défini pour la tâche.
Valide un modèle YOLO26n officiel :
yolo detect val model=yolo26n.pt data=coco8.yamlPrédiction#
Utilise un modèle entraîné pour effectuer des prédictions sur des images.
Effectue une prédiction avec un modèle YOLO26n officiel :
yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'Export#
Exporte un modèle dans un autre format, comme ONNX ou CoreML.
Exporte un modèle YOLO26n officiel au format ONNX :
yolo export model=yolo26n.pt format=onnxLes formats d’export Ultralytics disponibles figurent dans le tableau ci-dessous. Tu peux exporter dans n’importe quel format à l’aide de l’argument format, par exemple format='onnx' ou format='engine'.
| Format | Argument format | Modèle | Métadonnées | Arguments |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, quantize, dynamic, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, quantize, dynamic, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, quantize, nms, batch, device |
| Apple Core AI | coreai | yolo26n.aimodel | ✅ | imgsz, batch, quantize |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, quantize, opset, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, opset, batch, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, quantize, opset, data, fraction, device |
| LiteRT | litert | yolo26n.tflite | ✅ | imgsz, quantize, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, dynamic, quantize, simplify, opset, nms, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, quantize, device |
| IMX500 | imx | yolo11n_imx_model/ | ✅ | imgsz, quantize, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, quantize, simplify, opset, data, fraction, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, quantize, batch, data, fraction, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, quantize, data, fraction, device |
| DEEPX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, quantize, simplify, opset, data, optimize, device |
| Qualcomm QNN | qnn | yolo26n_qnn.onnx | ✅ | imgsz, batch, name, quantize, simplify, opset, data, fraction, device |
| Hailo | hailo | yolo26n_hailo_model/ | ✅ | imgsz, name, quantize, data, fraction, simplify, conf, iou, device |
| Huawei Ascend | ascend | yolo26n_ascend_model/ | ✅ | imgsz, batch, name, quantize, opset, simplify, nms, device |
| AMD Xilinx | xilinx | yolo26n_xilinx_model/ | ✅ | imgsz, name, quantize, data, fraction, opset, simplify, device |
| NXP | nxp | yolo26n_nxp.tflite | ✅ | imgsz, quantize, data, fraction, device |
| ST Edge AI | stedgeai | yolo26n_stedgeai.onnx | ✅ | imgsz, quantize, data, fraction, opset, simplify, device |
nms=None utilise par défaut les sorties brutes pour une NMS externe (YOLO26 conserve sa tête sans NMS sur Axelera). Définis nms=False pour sélectionner une tête sans NMS disponible ; les formats non pris en charge reviennent à leur chemin de sortie natif. Les entrées nms ci-dessus identifient les formats qui peuvent intégrer la NMS avec nms=True.
Consulte les détails complets de export sur la page Export.
Remplacer les arguments par défaut#
Remplace les arguments par défaut en les transmettant dans la CLI sous forme de paires arg=value.
Entraîne un modèle de détection pendant 10 époques avec un taux d’apprentissage de 0.01 :
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=10 optimizer=SGD lr0=0.01Remplacer le fichier de configuration par défaut#
Remplace entièrement le fichier de configuration default.yaml en transmettant un nouveau fichier avec l’argument cfg, par exemple cfg=custom.yaml.
Pour ce faire, crée d’abord une copie de default.yaml dans ton répertoire de travail actuel à l’aide de la commande yolo copy-cfg, qui crée un fichier default_copy.yaml.
Tu peux ensuite transmettre ce fichier en tant que cfg=default_copy.yaml, avec tous les arguments supplémentaires, comme imgsz=320 dans cet exemple :
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320Commandes des solutions#
Ultralytics propose des solutions prêtes à l’emploi pour les applications courantes de vision par ordinateur via la CLI. La commande yolo solutions donne accès au comptage d’objets, au recadrage, au floutage, au suivi des entraînements, aux cartes thermiques, à la segmentation d’instances, à VisionEye, à l’estimation de vitesse, à la gestion des files d’attente, à l’analyse, à l’inférence avec Streamlit, au suivi par zone, au comptage par région, aux alarmes de sécurité et à la gestion du stationnement — consulte la page Solutions pour voir le catalogue complet. Exécute yolo solutions help pour lister toutes les solutions prises en charge et leurs arguments.
Compte les objets dans une vidéo ou un flux en direct :
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file pathPour en savoir plus sur les solutions Ultralytics, consulte la page Solutions.
FAQ#
Pour entraîner un modèle avec la CLI, exécute une commande sur une seule ligne dans le terminal. Par exemple, pour entraîner un modèle de détection pendant 10 époques, exécute :
yolo train data=coco8.yaml model=yolo26n.pt epochs=10Cette commande utilise le mode
trainavec des arguments spécifiques. Pour obtenir la liste complète des arguments disponibles, consulte le Guide de configuration.La CLI Ultralytics YOLO prend en charge diverses tâches, notamment la détection, la segmentation, la segmentation sémantique, l’estimation de profondeur, la classification, l’estimation de pose et la détection de boîtes englobantes orientées. Tu peux également effectuer des opérations telles que :
- Entraîner un modèle : exécute
yolo train data=<data.yaml> model=<model.pt> epochs=<num>. - Effectuer des prédictions : utilise
yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>. - Exporter un modèle : exécute
yolo export model=<model.pt> format=<export_format>. - Utiliser les solutions : exécute
yolo solutions <solution_name>pour accéder aux applications prêtes à l’emploi.
Personnalise chaque tâche à l’aide de différents arguments. Pour consulter la syntaxe détaillée et des exemples, vois les sections correspondantes, comme Train, Predict et Export.
- Entraîner un modèle : exécute
Pour valider l’exactitude d’un modèle, utilise le mode
val. Par exemple, pour valider un modèle de détection préentraîné avec une taille de lot de 1 et une taille d’image de 640, exécute :yolo val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640Cette commande évalue le modèle sur le jeu de données spécifié et fournit des métriques de performance telles que le mAP, la précision et le rappel. Pour plus de détails, consulte la section Val.
Tu peux exporter des modèles YOLO vers différents formats, notamment ONNX, TensorRT, CoreML, TensorFlow et bien d’autres. Par exemple, pour exporter un modèle au format ONNX, exécute :
yolo export model=yolo26n.pt format=onnxLa commande d’exportation prend en charge de nombreuses options pour optimiser ton modèle en fonction d’environnements de déploiement spécifiques. Pour obtenir tous les détails sur les formats d’exportation disponibles et leurs paramètres spécifiques, consulte la page Export.
Ultralytics propose des solutions prêtes à l’emploi via la commande
solutions. Par exemple, pour compter les objets dans une vidéo :yolo solutions count source="path/to/video.mp4"Ces solutions nécessitent une configuration minimale et permettent d’effectuer immédiatement des tâches courantes de vision par ordinateur. Pour afficher toutes les solutions disponibles, exécute
yolo solutions help. Chaque solution dispose de paramètres spécifiques que tu peux personnaliser selon tes besoins.
Commentaires28
Pose une question, partage tes résultats ou aide quelqu’un d’autre.
Lishiquan12
Usage: yolo [OPTIONS] COMMAND [ARGS]... Try 'yolo -h' for help.
Error: No such command 'detect'. why?
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!
JackeShen
too
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。👍
UserHello Team Ultralytics,
Good morning!
Many thanks for the great work.
Couple of questions:
- How can i generate same graphs (graphs after training) after using the trained model on my unsense samples data?
- 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
- 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
duoerku
你好,进一部沟通请联系15680550171, 或者添加微信 BK-Mike
Glenn JocherUltralytics(modifié)@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=100YOLO26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。
yizhihuo666
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?
Glenn JocherUltralytics(modifié)@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=100The latest Ultralytics version supports both YOLOv8 and YOLO26 models - it just defaults to the current default model (
yolo26n.ptfor detection) when no model is specified. By explicitly usingmodel=yolov8n.pt, you'll train with the YOLOv8 architecture as intended.
yizhihuo666
May I ask which algorithm is used by default for training through the ultralytic command line, YOLOV8 or YOLOV11
yizhihuo666
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
muhammadrizwan11
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
Glenn JocherUltralytics@muhammadrizwan11 thank you for pointing this out! You're correct that the
detecttask argument is optional in CLI commands when the model type is specified, as YOLO can infer the task from the model name. Bothyolo detect trainandyolo trainsyntaxes 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 thoughdatais inherited from training. We'll update the documentation to reflect these points. For reference, see the CLI Syntax section in the Ultralytics YOLO documentation.
aryakpt
HI, can you help me, how do i save the validation result if i use CLI? Because i clone github ultralytics directly
Glenn JocherUltralytics(modifié)@aryakpt validation results (metrics and plots such as the confusion matrix) are saved to a run folder like
runs/detect/valby default. Addsave_json=Trueto also save predictions as a COCO-format JSON file:yolo val model=path/to/best.pt data=data.yaml save_json=Truearyakpt(modifié)
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
Glenn JocherUltralytics(modifié)The CLI doesn't return variables, and
save_json=Truesaves 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.
sakrig
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.
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.
ashikrasul
Is there a way to pass the hypeparameter file in CLI during training?
Glenn JocherUltralytics@arasul42 yes, you can pass a hyperparameter file in the CLI using the
cfgargument, like this:yolo train cfg=your_hyperparameters.yaml.2muhammadrizwan11
thank you so much i was confused but you give us a good thing
duoerku
你好,进一部沟通请联系15680550171, 或者添加微信 BK-Mike
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。🙂
duoerku
你好,进一部沟通请联系15680550171, 或者添加微信 BK-Mike
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:
-
训练一个模型:
yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01 -
运行预测:
yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320 -
验证模型:
yolo val model=yolov8n.pt data=coco128.yaml batch=1 imgsz=640 -
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。🤗
-