Meet YOLO26: next-gen vision AI.

Link to this sectionInterface de ligne de commande#

L'interface de ligne de commande (CLI) d'Ultralytics offre un moyen simple d'utiliser les modèles Ultralytics YOLO sans avoir besoin d'un environnement Python. La CLI prend en charge l'exécution de diverses tâches directement depuis le terminal en utilisant la commande yolo, sans nécessiter de personnalisation ou de code Python.



Watch: Mastering Ultralytics YOLO: CLI
Exemple

Les commandes yolo d'Ultralytics utilisent la syntaxe suivante :

yolo TASK MODE ARGS

Où :

  • TASK (optionnel) est l'un des éléments suivants : [detect, segment, semantic, classify, pose, obb]
  • MODE (requis) est l'un des éléments suivants : [train, val, predict, export, track, benchmark]
  • ARGS (optionnel) sont un nombre quelconque de paires personnalisées arg=value comme imgsz=320 qui remplacent les valeurs par défaut.

Consulte tous les ARGS dans le Configuration Guide complet ou avec yolo cfg.

Où :

  • TASK (optionnel) est l'un des éléments suivants : [detect, segment, semantic, classify, pose, obb]. S'il n'est pas explicitement transmis, YOLO tentera de déduire la TASK à partir du type de modèle.
  • MODE (requis) est l'un des éléments suivants : [train, val, predict, export, track, benchmark]
  • ARGS (optionnel) sont un nombre quelconque de paires personnalisées arg=value comme imgsz=320 qui remplacent les valeurs par défaut. Pour une liste complète des ARGS disponibles, consulte la page Configuration et default.yaml.
Attention

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 -- ou 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 ❌

Link to this sectionEntraînement#

Entraîne YOLO sur le jeu de données COCO8 pendant 100 epochs avec une taille d'image de 640. Pour une liste complète des arguments disponibles, consulte la page Configuration.

Exemple

Démarre l'entraînement de YOLO26n sur COCO8 pendant 100 epochs avec une taille d'image de 640 :

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

Link to this sectionValidation#

Valide l'accuracy du modèle entraîné sur le jeu de données COCO8. Aucun argument n'est nécessaire car le model conserve ses data d'entraînement et ses arguments en tant qu'attributs du modèle.

Exemple

Valide un modèle YOLO26n officiel :

yolo detect val model=yolo26n.pt

Link to this sectionPrédiction#

Utilise un modèle entraîné pour effectuer des prédictions sur des images.

Exemple

Prédit avec un modèle YOLO26n officiel :

yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

Link to this sectionExportation#

Exporte un modèle vers un format différent comme ONNX ou CoreML.

Exemple

Exporte un modèle YOLO26n officiel vers le format ONNX :

yolo export model=yolo26n.pt format=onnx

Les formats d'exportation Ultralytics disponibles sont dans le tableau ci-dessous. Tu peux exporter vers n'importe quel format en utilisant l'argument format, par exemple format='onnx' ou format='engine'.

FormatArgument formatModèleMétadonnéesArguments
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, half, dynamic, optimize, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, half, int8, dynamic, simplify, opset, nms, batch, data, fraction, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, half, dynamic, int8, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, half, int8, nms, batch, device
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, keras, int8, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, batch, device
TF Litetfliteyolo26n.tflite✅imgsz, half, int8, nms, batch, data, fraction, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, int8, data, fraction, device
TF.jstfjsyolo26n_web_model/✅imgsz, half, int8, nms, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, int8, half, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, half, batch, device
IMX500imxyolo26n_imx_model/✅imgsz, int8, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, int8, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, int8, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, int8, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn_model/✅imgsz, batch, name, int8, data, fraction, device

Consulte les détails complets de export sur la page Export.

Link to this sectionSurcharge des arguments par défaut#

Override default arguments by passing them in the CLI as arg=value pairs.

Astuce

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 lr0=0.01

Link to this sectionSurcharge du fichier de configuration par défaut#

Surcharge entièrement le fichier de configuration default.yaml en passant un nouveau fichier avec l'argument cfg, tel que cfg=custom.yaml.

Pour ce faire, crée d'abord une copie de default.yaml dans ton répertoire de travail actuel avec la commande yolo copy-cfg, qui génère un fichier default_copy.yaml.

Tu peux ensuite passer ce fichier sous la forme cfg=default_copy.yaml avec tous les arguments supplémentaires, comme imgsz=320 dans cet exemple :

Exemple
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320

Link to this sectionCommandes de Solutions#

Ultralytics fournit des solutions prêtes à l'emploi pour les applications courantes de vision par ordinateur via la CLI. La commande yolo solutions expose le comptage d'objets, le recadrage, le floutage, le suivi d'exercices physiques, les cartes thermiques, la segmentation d'instances, VisionEye, l'estimation de vitesse, la gestion de files d'attente, l'analyse, l'inférence Streamlit et le suivi basé sur des zones — consulte la page Solutions pour le catalogue complet. Exécute yolo solutions help pour lister toutes les solutions prises en charge et leurs arguments.

Exemple

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 path

Pour plus d'informations sur les solutions Ultralytics, visite la page Solutions.

Link to this sectionFAQ#

Link to this sectionComment puis-je utiliser l'interface de ligne de commande (CLI) Ultralytics YOLO pour l'entraînement de modèles ?#

Pour entraîner un modèle en utilisant la CLI, exécute une commande en une seule ligne dans le terminal. Par exemple, pour entraîner un modèle de détection pendant 10 époques avec un taux d'apprentissage de 0,01, exécute :

yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

Cette commande utilise le mode train avec des arguments spécifiques. Pour une liste complète des arguments disponibles, reporte-toi au Guide de configuration.

Link to this sectionQuelles tâches puis-je effectuer avec la CLI Ultralytics YOLO ?#

La CLI Ultralytics YOLO prend en charge diverses tâches, notamment la détection, la segmentation, la segmentation sémantique, la classification, l'estimation de pose et la détection de boîtes englobantes orientées. Tu peux également effectuer des opérations comme :

  • Entraîner un modèle : Exécute yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
  • Exécuter 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 des solutions : Exécute yolo solutions <solution_name> pour des applications prêtes à l'emploi.

Personnalise chaque tâche avec divers arguments. Pour une syntaxe détaillée et des exemples, consulte les sections respectives comme Train, Predict et Export.

Link to this sectionComment puis-je valider la précision d'un modèle YOLO entraîné en utilisant la CLI ?#

Pour valider la précision d'un modèle, utilise le mode val. Par exemple, pour valider un modèle de détection pré-entraîné avec une taille de batch de 1 et une taille d'image de 640, exécute :

yolo val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640

Cette commande évalue le modèle sur le jeu de données spécifié et fournit des mesures de performance comme le mAP, la précision et le rappel. Pour plus de détails, reporte-toi à la section Val.

Link to this sectionVers quels formats puis-je exporter mes modèles YOLO en utilisant la CLI ?#

Tu peux exporter des modèles YOLO vers divers formats, notamment ONNX, TensorRT, CoreML, TensorFlow et plus encore. Par exemple, pour exporter un modèle vers le format ONNX, exécute :

yolo export model=yolo26n.pt format=onnx

La commande d'exportation prend en charge de nombreuses options pour optimiser ton modèle pour des environnements de déploiement spécifiques. Pour des détails complets sur tous les formats d'exportation disponibles et leurs paramètres spécifiques, visite la page Export.

Link to this sectionComment puis-je utiliser les solutions pré-construites dans la CLI Ultralytics ?#

Ultralytics fournit des solutions prêtes à l'emploi via la commande solutions. Par exemple, pour compter des objets dans une vidéo :

yolo solutions count source="path/to/video.mp4"

Ces solutions nécessitent une configuration minimale et offrent une fonctionnalité immédiate pour les tâches courantes de vision par ordinateur. Pour voir toutes les solutions disponibles, exécute yolo solutions help. Chaque solution possède des paramètres spécifiques qui peuvent être personnalisés pour répondre à tes besoins.

Contributeurs
GLglenn-jocher27AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Commentaires