कमांड लाइन इंटरफ़ेस उपयोग

वही YOLO कमांड लाइन इंटरफ़ेस (CLI) की आवश्यकता के बिना सरल एकल-पंक्ति कमांड की अनुमति देता है a Python पर्यावरण। CLI कोई अनुकूलन की आवश्यकता नहीं है या Python कोड। आप बस टर्मिनल से सभी कार्यों को yolo आज्ञा।

सतर्कता: माहिर Ultralytics YOLOv8: CLI

yolo TASK MODE ARGS

Where   TASK (optional) is one of [detect, segment, classify]
        MODE (required) is one of [train, val, predict, export, track]
        ARGS (optional) are any number of custom 'arg=value' pairs like 'imgsz=320' that override defaults.

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

yolo val model=yolov8n.pt data=coco8.yaml batch=1 imgsz=640

yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128

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

कहां:

• TASK (वैकल्पिक) में से एक है [detect, segment, classify]. यदि यह स्पष्ट रूप से पारित नहीं किया गया है YOLOv8 अनुमान लगाने की कोशिश करेंगे TASK मॉडल प्रकार से।
• MODE (आवश्यक) इनमें से एक है [train, val, predict, export, track]
• ARGS (वैकल्पिक) कस्टम की किसी भी संख्या में हैं arg=value जोड़े की तरह imgsz=320 जो डिफ़ॉल्ट को ओवरराइड करता है। उपलब्ध की पूरी सूची के लिए ARGS देखें संरूपण page और defaults.yaml

रेलगाड़ी

रेलगाड़ी YOLOv8n छवि आकार 640 पर 100 युगों के लिए COCO8 डेटासेट पर। उपलब्ध तर्कों की पूरी सूची के लिए , कॉन्फ़िगरेशन पृष्ठ देखें.

yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

yolo detect train resume model=last.pt

वैल

प्रशिक्षित मान्य करें YOLOv8n COCO8 डेटासेट पर मॉडल सटीकता। किसी तर्क को पारित करने की आवश्यकता नहीं है model अपने प्रशिक्षण को बरकरार रखता है data और मॉडल विशेषताओं के रूप में तर्क।

yolo detect val model=yolov8n.pt

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

भविष्‍यवाणी करना

एक प्रशिक्षित का प्रयोग करें YOLOv8n छवियों पर भविष्यवाणियां चलाने के लिए मॉडल।

yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

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

निर्यातित माल

निर्यात a YOLOv8n मॉडल को किसी भिन्न प्रारूप में जैसे ONNX, CoreMLआदि।

yolo export model=yolov8n.pt format=onnx

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

सुलभ YOLOv8 निर्यात प्रारूप नीचे दी गई तालिका में हैं। आप का उपयोग करके किसी भी प्रारूप में निर्यात कर सकते हैं format तर्क, अर्थात। format='onnx' नहीं तो format='engine'.

पूरा देखें export में विवरण निर्यातित माल पृष्ठ।

डिफ़ॉल्ट तर्कों को ओवरराइड करना

डिफ़ॉल्ट तर्कों को केवल उन्हें तर्क के रूप में पारित करके ओवरराइड किया जा सकता है CLI में arg=value जोड़े।

yolo detect train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

yolo segment predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

yolo detect val model=yolov8n.pt data=coco8.yaml batch=1 imgsz=640

डिफ़ॉल्ट कॉन्फ़िगरेशन फ़ाइल को ओवरराइड करना

आप ओवरराइड कर सकते हैं default.yaml config फ़ाइल पूरी तरह से एक नई फ़ाइल के साथ पास करके cfg तर्क, अर्थात। cfg=custom.yaml.

ऐसा करने के लिए, पहले की एक प्रति बनाएँ default.yaml अपने वर्तमान काम करने वाले डीआईआर में yolo copy-cfg आज्ञा।

यह पैदा करेगा default_copy.yaml, जिसे आप तब पास कर सकते हैं cfg=default_copy.yaml किसी भी अतिरिक्त args के साथ, जैसे imgsz=320 इस उदाहरण में:

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

अक्सर पूछे जाने वाले प्रश्न

मैं इसका उपयोग कैसे करूं Ultralytics YOLOv8 कमांड लाइन इंटरफ़ेस (CLI) मॉडल प्रशिक्षण के लिए?

एक को प्रशिक्षित करने के लिए YOLOv8 का उपयोग कर मॉडल CLI, आप टर्मिनल में एक साधारण एक-लाइन कमांड निष्पादित कर सकते हैं। उदाहरण के लिए, 0.01 की सीखने की दर के साथ 10 युगों के लिए एक डिटेक्शन मॉडल को प्रशिक्षित करने के लिए, आप चलेंगे:

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

यह आदेश का उपयोग करता है train विशिष्ट तर्कों के साथ मोड। में उपलब्ध तर्कों की पूरी सूची देखें कॉन्फ़िगरेशन गाइड.

मैं इसके साथ कौन से कार्य कर सकता हूं Ultralytics YOLOv8 CLI?

वही Ultralytics YOLOv8 CLI पता लगाने, विभाजन, वर्गीकरण, सत्यापन, भविष्यवाणी, निर्यात और ट्रैकिंग सहित विभिन्न कार्यों का समर्थन करता है। उदाहरणार्थ:

• एक मॉडल को प्रशिक्षित करें:चलाना yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
• भविष्यवाणियां चलाएं:प्रयोग yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
• एक मॉडल निर्यात करें:अमल yolo export model=<model.pt> format=<export_format>.

प्रत्येक कार्य को विभिन्न तर्कों के साथ अनुकूलित किया जा सकता है। विस्तृत सिंटैक्स और उदाहरणों के लिए, ट्रेन, प्रेडिक्ट और एक्सपोर्ट जैसे संबंधित अनुभाग देखें।

मैं एक प्रशिक्षित की सटीकता को कैसे मान्य कर सकता हूं YOLOv8 का उपयोग कर मॉडल CLI?

एक को मान्य करने के लिए YOLOv8 मॉडल की सटीकता, का उपयोग करें val मोड समूह। उदाहरण के लिए, 1 के बैच आकार और 640 के छवि आकार के साथ एक पूर्व-प्रशिक्षित पहचान मॉडल को मान्य करने के लिए, चलाएं:

yolo val model=yolov8n.pt data=coco8.yaml batch=1 imgsz=640

यह आदेश निर्दिष्ट डेटासेट पर मॉडल का मूल्यांकन करता है और प्रदर्शन मीट्रिक प्रदान करता है। अधिक जानकारी के लिए, वैल अनुभाग देखें।

मैं अपने कौन से प्रारूप निर्यात कर सकता हूं YOLOv8 का उपयोग करने के लिए मॉडल CLI?

YOLOv8 मॉडल को विभिन्न स्वरूपों में निर्यात किया जा सकता है जैसे ONNX, CoreML, TensorRT, और अधिक। उदाहरण के लिए, एक मॉडल को निर्यात करने के लिए ONNX प्रारूप, चलाएँ:

yolo export model=yolov8n.pt format=onnx

पूरी जानकारी के लिए, निर्यात पृष्ठ पर जाएं।

मैं कैसे अनुकूलित करूं YOLOv8 CLI डिफ़ॉल्ट तर्कों को ओवरराइड करने के लिए आदेश?

में डिफ़ॉल्ट तर्कों को ओवरराइड करने के लिए YOLOv8 CLI आदेश, उन्हें के रूप में पास करें arg=value जोड़े। उदाहरण के लिए, कस्टम तर्कों के साथ एक मॉडल को प्रशिक्षित करने के लिए, उपयोग करें:

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

उपलब्ध तर्कों और उनके विवरणों की पूरी सूची के लिए, कॉन्फ़िगरेशन मार्गदर्शिका देखें। सुनिश्चित करें कि तर्क सही तरीके से स्वरूपित किए गए हैं, जैसा कि डिफ़ॉल्ट तर्क ओवरराइड करना अनुभाग में दिखाया गया है.

टिप्पणियाँ