Ultralytics YOLO27 :

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 avoir besoin d'un environnement Python. La CLI prend en charge l'exécution de diverses tâches directement depuis le terminal à l'aide de la commande yolo, sans nécessiter de personnalisation ni de code Python.



Watch: Mastering Ultralytics YOLO: CLI
Exemple

Les commandes yolo d'Ultralytics utilisent la syntaxe suivante :

yolo TASK MODE ARGS

Où :

  • TASK (facultatif) fait partie de [detect, segment, semantic, depth, classify, pose, obb]
  • MODE (obligatoire) fait partie de [train, val, predict, export, track, benchmark]
  • ARGS (facultatif) correspond à un nombre quelconque de paires personnalisées arg=value telles que imgsz=320 qui remplacent les valeurs par défaut.

Consulte tous les arguments dans le Guide de configuration complet ou avec yolo cfg.

Où :

  • TASK (facultatif) fait partie de [detect, segment, semantic, depth, classify, pose, obb]. S'il n'est pas explicitement fourni, YOLO tentera de déduire la valeur TASK à partir du type de modèle.
  • MODE (obligatoire) fait partie de [train, val, predict, export, track, benchmark]
  • ARGS (facultatif) correspond à un nombre quelconque de paires personnalisées arg=value telles que imgsz=320 qui remplacent les valeurs par défaut. Pour obtenir une liste complète des éléments ARGS disponibles, consulte la page Configuration et default.yaml.
Avertissement

Les arguments doivent être passés sous forme de paires arg=val, séparés par un signe égal = et délimités 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 ❌

Entraîner#

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

Exemple

Commence 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=640

Validation#

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

Exemple

Valide un modèle YOLO26n officiel :

yolo detect val model=yolo26n.pt

Prédiction#

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

Exemple

Prédis avec un modèle YOLO26n officiel :

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

Exportation#

Exporte un modèle vers un format différent tel que ONNX ou CoreML.

Exemple

Exporte un modèle YOLO26n officiel au format ONNX :

yolo export model=yolo26n.pt format=onnx

Les formats d'exportation Ultralytics disponibles se trouvent dans le tableau ci-dessous. Tu peux exporter vers n'importe quel format à l'aide de l'argument format, c'est-à-dire format='onnx' ou format='engine'.

FormatArgument formatModèleMétadonnéesArguments
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
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, keras, 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
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
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize

nms=None utilise par défaut des sorties brutes pour NMS externe. 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 capables d'intégrer NMS avec nms=True.

Consulte les détails complets de export sur la page Exportation.

Remplacement des arguments par défaut#

Remplace les arguments par défaut en les passant dans la CLI sous forme de paires arg=value.

Conseil

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

Remplacement du fichier de configuration par défaut#

Remplace 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, ce qui crée un fichier default_copy.yaml.

Tu peux ensuite passer ce fichier comme cfg=default_copy.yaml ainsi que des arguments supplémentaires, comme imgsz=320 dans cet exemple :

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

Commandes 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 permet d'accéder au comptage d'objets, au recadrage, au floutage, au suivi d'entraînement, aux cartes de densité, à la segmentation d'instances, à VisionEye, à l'estimation de vitesse, à la gestion de files d'attente, aux analyses, à l'inférence Streamlit et au 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.

FAQ#

  • Pour entraîner un modèle à l'aide de la CLI, exécute une commande sur 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 obtenir une 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>.
    • 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 différents arguments. Pour une syntaxe détaillée et des exemples, consulte les sections respectives telles que Entraîner, Prédire et Exporter.

  • 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 lot 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 métriques de performance telles que le mAP, la précision et le rappel. Pour plus de détails, consulte la section Val.

  • Tu peux exporter les modèles YOLO vers divers formats, notamment ONNX, TensorRT, CoreML, TensorFlow, etc. Par exemple, pour exporter un modèle au 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 tous les détails sur les formats d'exportation disponibles et leurs paramètres spécifiques, visite la page Exportation.

  • 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 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-Q3RAraimbekovm2JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Commentaires