Passer au contenu

Interface de ligne de commande

L'interface de ligne de commande (CLI) 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 yolo commande, ne nécessitant aucune personnalisation ni code Python.



Regarder : Maîtriser Ultralytics YOLO : CLI

Exemple

Ultralytics yolo les commandes utilisent la syntaxe suivante :

yolo TASK MODE ARGS

Où : - TASK (facultatif) est l'un des [detect, segment, classify, pose, obb] - MODE (obligatoire) est l'une des options suivantes : [train, val, predict, export, track, benchmark] - ARGS (facultatif) représentent un nombre quelconque de arg=value comme imgsz=320 qui remplacent les valeurs par défaut.

Voir tous les ARGS dans le Guide de configuration complet ou avec yolo cfg.

Entraîner un modèle de détection pendant 10 epochs avec un taux d'apprentissage initial de 0,01 :

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

Prédire en utilisant un modèle de segmentation pré-entraîné sur une vidéo YouTube à une taille d'image de 320 :

yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Valider un modèle de détection pré-entraîné avec une taille de lot de 1 et une taille d'image de 640:

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

Exporter un modèle de classification YOLO au format ONNX avec une taille d'image de 224x128 (aucune TÂCHE requise) :

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

Exécutez des commandes spéciales pour afficher la version, les paramètres, exécuter des vérifications, et bien plus :

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

Où :

  • TASK (facultatif) est l'un des [detect, segment, classify, pose, obb]. S'il n'est pas explicitement transmis, YOLO tentera de déduire le TASK à partir du type de modèle.
  • MODE (obligatoire) est l'un des [train, val, predict, export, track, benchmark]
  • ARGS (facultatif) représentent un nombre quelconque de arg=value comme imgsz=320 personnalisés qui remplacent les valeurs par défaut. Pour obtenir une liste complète des ARGS, voir le Configuration page et le defaults.yaml.

Avertissement

Les arguments doivent être passés par arg=val paires, séparées par un signe égal = et délimités par des espaces entre les paires. Ne pas utiliser -- de préfixes d'argument ou de virgules , entre les arguments.

  • 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   ❌

Entraîner

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

Exemple

Commencez l'entraînement de YOLO11n sur COCO8 pour 100 epochs à une taille d'image de 640 :

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Reprendre une session de formation interrompue:

yolo detect train resume model=last.pt

Valider

Valider le précision du modèle entraîné sur l'ensemble de données COCO8. Aucun argument n'est nécessaire car le model conserve son entraînement data et ses arguments en tant qu'attributs du modèle.

Exemple

Valider un modèle YOLO11n officiel :

yolo detect val model=yolo11n.pt

Valider un modèle entraîné sur mesure :

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

Prédire

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

Exemple

Prédire avec un modèle officiel YOLO11n :

yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

Prédire avec un modèle personnalisé :

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

Exporter

Exporter un modèle dans un format différent comme ONNX ou CoreML.

Exemple

Exporter un modèle YOLO11n officiel au format ONNX :

yolo export model=yolo11n.pt format=onnx

Exporter un modèle entraîné personnalisé au format ONNX :

yolo export model=path/to/best.pt format=onnx

Les formats d'exportation Ultralytics disponibles sont indiqués dans le tableau ci-dessous. Vous pouvez exporter vers n'importe quel format en utilisant le format argument, c'est-à-dire format='onnx' ou format='engine'.

Format format Argument Modèle Métadonnées Arguments
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

Voir tous les export détails sur le Exporter page.

Remplacement des arguments par défaut

Remplacez les arguments par défaut en les passant dans la CLI comme arg=value paires.

Astuce

Entraîner un modèle de détection pendant 10 epochs avec un taux d'apprentissage de 0,01 :

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

Prédire en utilisant un modèle de segmentation pré-entraîné sur une vidéo YouTube à une taille d'image de 320 :

yolo segment predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Valider un modèle de détection pré-entraîné avec une taille de lot de 1 et une taille d'image de 640:

yolo detect val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

Remplacement du fichier de configuration par défaut

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

Pour ce faire, créez d'abord une copie de default.yaml dans votre répertoire de travail actuel avec le yolo copy-cfg commande, qui crée un default_copy.yaml .

Vous pouvez ensuite transmettre ce fichier comme cfg=default_copy.yaml ainsi que tous les arguments supplémentaires, comme imgsz=320 dans cet exemple :

Exemple

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

Commandes des solutions

Ultralytics fournit des solutions prêtes à l'emploi pour les applications courantes de vision par ordinateur via la CLI. Ces solutions simplifient la mise en œuvre de tâches complexes telles que le comptage d'objets, la surveillance des entraînements et la gestion des files d'attente.

Exemple

Compter 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

Surveiller les exercices d'entraînement à l'aide d'un modèle 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

Compter les objets dans une file d'attente ou une région désignée :

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

Effectuer la détection d'objets, la segmentation d'instances ou l'estimation de pose dans un navigateur web en utilisant Streamlit :

yolo solutions inference
yolo solutions inference model="path/to/model.pt" # use custom model

Afficher les solutions disponibles et leurs options :

yolo solutions help

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

FAQ

Comment utiliser l'interface de ligne de commande (CLI) Ultralytics YOLO pour l'entraînement de modèles ?

Pour entraîner un modèle à l'aide de la CLI, exécutez une commande en une seule ligne dans le terminal. Par exemple, pour entraîner un modèle de détection pendant 10 epochs avec un taux d'apprentissage de 0,01, exécutez :

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

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

Quelles tâches puis-je effectuer avec l'interface en ligne de commande (CLI) Ultralytics YOLO ?

L'interface en ligne de commande (CLI) Ultralytics YOLO prend en charge diverses tâches, notamment la détection, la segmentation, la classification, l'estimation de pose et la détection de boîtes englobantes orientées. Vous pouvez également effectuer des opérations telles que :

  • Entraîner un modèle: Exécuter yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
  • Exécuter des prédictions: Utilisez yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
  • Exporter un modèle: Exécuter yolo export model=<model.pt> format=<export_format>.
  • Utiliser les solutions: Exécuter yolo solutions <solution_name> pour des applications prêtes à l'emploi.

Personnalisez chaque tâche avec différents arguments. Pour une syntaxe et des exemples détaillés, consultez les sections respectives telles que Train, Predict et Export.

Comment puis-je valider la précision d'un modèle YOLO entraîné en utilisant la CLI ?

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

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

Cette commande évalue le modèle sur l'ensemble de données spécifié et fournit des métriques de performance telles que la mAP, la précision et le rappel. Pour plus de détails, consultez la section Val.

Dans quels formats puis-je exporter mes modèles YOLO en utilisant la CLI ?

Vous pouvez exporter les modèles YOLO vers différents formats, notamment ONNX, TensorRT, CoreML, TensorFlow, et plus encore. Par exemple, pour exporter un modèle au format ONNX, exécutez :

yolo export model=yolo11n.pt format=onnx

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

Comment puis-je utiliser les solutions pré-construites dans la CLI Ultralytics ?

Ultralytics fournit des solutions prêtes à l'emploi via solutions commande. 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, exécutez yolo solutions help. Chaque solution a des paramètres spécifiques qui peuvent être personnalisés pour répondre à vos besoins.



📅 Créé il y a 1 an ✏️ Mis à jour il y a 5 mois

Commentaires