Ultralytics YOLO27 :
Get Started

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 écrire de code Python. La CLI permet d’exécuter différentes tâches directement depuis le terminal à l’aide de la commande yolo.



Regarder : Maîtriser Ultralytics YOLO : CLI
Exemple

Les commandes yolo d'Ultralytics utilisent la syntaxe suivante :

yolo TASK MODE ARGS

Où :

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

Consulte tous les ARGS dans le guide de configuration complet ou avec yolo cfg.

Où :

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

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 -- 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 ❌

Entraînement#

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

Exemple

Lance 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#

Évalue la précision du modèle entraîné sur le jeu de données COCO8. Si data n'est pas indiqué, un modèle personnalisé réutilise son data d'entraînement ; les poids officiels utilisent par défaut le coco8.yaml associé à la tâche.

Exemple

Valide un modèle YOLO26n officiel :

yolo detect val model=yolo26n.pt data=coco8.yaml

Prédiction#

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

Exemple

Effectue une prédiction avec un modèle YOLO26n officiel :

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

Export#

Exporte un modèle dans un autre format, comme ONNX ou CoreML.

Exemple

Exporte un modèle YOLO26n officiel au format ONNX :

yolo export model=yolo26n.pt format=onnx

Les formats d'export Ultralytics disponibles sont répertoriés dans le tableau ci-dessous. Tu peux exporter vers n'importe quel format à l'aide de l'argument format, par exemple 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
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, 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
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, 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
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou, device
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms, device
AMD Xilinxxilinxyolo26n_xilinx_model/✅imgsz, name, quantize, data, fraction, opset, simplify, device

nms=None produit par défaut des sorties brutes pour la NMS externe. Définis nms=False pour sélectionner une tête disponible sans NMS ; les formats non pris en charge utilisent leur voie de sortie native. Les entrées nms ci-dessus désignent les formats qui peuvent intégrer la NMS avec nms=True.

Consulte les détails complets de export sur la page Export.

Remplacer les arguments par défaut#

Remplace les arguments par défaut en les transmettant 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 optimizer=SGD lr0=0.01

Remplacer le fichier de configuration par défaut#

Remplace entièrement le fichier de configuration default.yaml en transmettant un nouveau fichier avec l’argument cfg, par exemple cfg=custom.yaml.

Pour ce faire, crée d’abord une copie de default.yaml dans ton répertoire de travail actuel à l’aide de 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 :

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 donne accès au comptage d’objets, au recadrage, au floutage, au suivi des entraînements, aux cartes thermiques, à la segmentation d’instances, à VisionEye, à l’estimation de vitesse, à la gestion des files d’attente, à l’analyse, à l’inférence avec Streamlit, au suivi par zone, au comptage par région, aux alarmes de sécurité et à la gestion du stationnement — consulte la page Solutions pour voir 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 en savoir plus sur les solutions Ultralytics, consulte la page Solutions.

FAQ#

  • Pour entraîner un modèle avec la CLI, exécute une commande sur une seule ligne dans le terminal. Par exemple, pour entraîner un modèle de détection pendant 10 époques, exécute :

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

    Cette commande utilise le mode train avec des arguments spécifiques. Pour obtenir la 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>.
    • Effectuer 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 les solutions : exécute yolo solutions <solution_name> pour accéder aux applications prêtes à l’emploi.

    Personnalise chaque tâche à l’aide de différents arguments. Pour consulter la syntaxe détaillée et des exemples, vois les sections correspondantes, comme Train, Predict et Export.

  • Pour valider la précision d’un modèle, utilise le mode val. Par exemple, pour valider un modèle de détection préentraîné 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 des modèles YOLO vers différents formats, notamment ONNX, TensorRT, CoreML, TensorFlow et bien d’autres. 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 en fonction d’environnements de déploiement spécifiques. Pour obtenir tous les détails sur les formats d’exportation disponibles et leurs paramètres spécifiques, consulte la page Export.

  • 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 permettent d’effectuer immédiatement des tâches courantes de vision par ordinateur. Pour afficher toutes les solutions disponibles, exécute yolo solutions help. Chaque solution dispose de paramètres spécifiques que tu peux personnaliser selon tes besoins.

Contributeurs
GLglenn-jocher28RAraimbekovm5AMambitious-octopus3BUBurhan-Q3JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Commentaires