Interface de ligne de commande
L'interface de ligne de commande (CLI) d'Ultralytics fournit un moyen simple d'utiliser les modèles YOLO d'Ultralytics sans avoir besoin d'un environnement Python. La CLI permet d'exécuter diverses tâches directement depuis le terminal en utilisant la commande yolo, sans nécessiter de personnalisation ou de code Python.
Watch: Mastering Ultralytics YOLO: CLI
Les commandes yolo d'Ultralytics utilisent la syntaxe suivante :
yolo TASK MODE ARGSOù :
TASK(optionnel) est l'un des éléments suivants : [detect, segment, classify, pose, obb, semantic]MODE(requis) est l'un des éléments suivants : [train, val, predict, export, track, benchmark]ARGS(optionnel) sont un nombre quelconque de pairesarg=valuepersonnalisées commeimgsz=320qui remplacent les valeurs par défaut.
Consulte tous les ARGS dans le Guide de configuration complet ou avec yolo cfg.
Où :
TASK(optionnel) est l'un des éléments suivants :[detect, segment, classify, pose, obb, semantic]. S'il n'est pas explicitement transmis, YOLO tentera de déduire laTASKà 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 pairesarg=valuepersonnalisées commeimgsz=320qui remplacent les valeurs par défaut. Pour une 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 chaque paire. 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❌
Entraînement
Entraîne YOLO sur le jeu de données COCO8 pendant 100 époques avec une taille d'image de 640. Pour une liste complète des arguments disponibles, consulte la page Configuration.
Démarre 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. Aucun argument n'est nécessaire car le model conserve ses data d'entraînement et ses arguments en tant qu'attributs du modèle.
Valide un modèle officiel YOLO26n :
yolo detect val model=yolo26n.ptPrédiction
Utilise un modèle entraîné pour effectuer des prédictions sur des images.
Effectue une prédiction avec un modèle officiel YOLO26n :
yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'Exportation
Exporte un modèle vers un format différent comme ONNX ou CoreML.
Exporte un modèle officiel YOLO26n au format ONNX :
yolo export model=yolo26n.pt format=onnxLes 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 ex., format='onnx' ou format='engine'.
| Format | Argument format | Modèle | Métadonnées | Arguments |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, half, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, half, dynamic, simplify, opset, nms, batch, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, half, dynamic, int8, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, half, int8, nms, batch, device |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, keras, int8, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, batch, device |
| TF Lite | tflite | yolo26n.tflite | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, int8, data, fraction, device |
| TF.js | tfjs | yolo26n_web_model/ | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, int8, half, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, half, batch, device |
| IMX500 | imx | yolo26n_imx_model/ | ✅ | imgsz, int8, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, int8, data, fraction, device |
| DeepX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, int8, data, optimize, device |
Consulte les détails complets de export sur la page Export.
Remplacement des arguments par défaut
Override default arguments by passing them in the CLI as arg=value pairs.
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=0.01Remplacement 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, 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 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, la surveillance d'entraînement, les cartes thermiques, la segmentation d'instance, 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 chaque solution prise en charge et ses 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 plus d'informations sur les solutions Ultralytics, visite la page Solutions.
FAQ
Comment 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 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=0.01Cette commande utilise le mode train avec des arguments spécifiques. Pour une liste complète des arguments disponibles, réfère-toi au Guide de configuration.
Quelles tâches puis-je effectuer avec la CLI Ultralytics YOLO ?
La CLI Ultralytics YOLO prend en charge diverses tâches, notamment la détection, la segmentation, la classification, l' estimation de pose, la détection de boîtes englobantes orientées et la segmentation sémantique. 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 Entraînement, Prédiction et Exportation.
Comment 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 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 mesures de performance telles que le mAP, la précision et le rappel. Pour plus de détails, réfère-toi à la section Val.
Vers 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=onnxLa 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.
Comment 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.