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 leTASK
à partir du type de modèle.MODE
(obligatoire) est l'un des[train, val, predict, export, track, benchmark]
ARGS
(facultatif) représentent un nombre quelconque dearg=value
commeimgsz=320
personnalisés qui remplacent les valeurs par défaut. Pour obtenir une liste complète desARGS
, voir le Configuration page et ledefaults.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.