Ultralytics YOLO27:

Interfaccia a riga di comando#

L'interfaccia a riga di comando (CLI) di Ultralytics offre un modo semplice per utilizzare i modelli Ultralytics YOLO senza la necessità di un ambiente Python. La CLI supporta l'esecuzione di varie attività direttamente dal terminale utilizzando il comando yolo, senza richiedere alcuna personalizzazione o codice Python.



Watch: Mastering Ultralytics YOLO: CLI
Esempio

I comandi yolo di Ultralytics usano la seguente sintassi:

yolo TASK MODE ARGS

Dove:

  • TASK (facoltativo) è uno tra [detect, segment, semantic, depth, classify, pose, obb]
  • MODE (obbligatorio) è uno tra [train, val, predict, export, track, benchmark]
  • ARGS (facoltativo) sono un numero qualsiasi di coppie personalizzate arg=value come imgsz=320 che sovrascrivono i valori predefiniti.

Vedi tutti gli ARGS nella Guida alla configurazione completa o con yolo cfg.

Dove:

  • TASK (facoltativo) è uno tra [detect, segment, semantic, depth, classify, pose, obb]. Se non viene passato esplicitamente, YOLO tenterà di dedurre TASK dal tipo di modello.
  • MODE (obbligatorio) è uno tra [train, val, predict, export, track, benchmark]
  • ARGS (facoltativo) sono un numero qualsiasi di coppie personalizzate arg=value come imgsz=320 che sovrascrivono i valori predefiniti. Per un elenco completo dei ARGS disponibili, consulta la pagina Configurazione e default.yaml.
Attenzione

Gli argomenti devono essere passati come coppie arg=val, separati da un segno di uguale = e delimitati da spazi tra le coppie. Non utilizzare prefissi di argomento -- o virgole , tra gli argomenti.

  • 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 ❌

Addestramento#

Allena YOLO sul dataset COCO8 per 100 epoche con dimensione immagine 640. Per un elenco completo degli argomenti disponibili, consulta la pagina Configurazione.

Esempio

Avvia l'addestramento di YOLO26n su COCO8 per 100 epoche con dimensione immagine 640:

yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640

Val#

Valida l'accuratezza del modello addestrato sul dataset COCO8. Non sono necessari argomenti poiché model mantiene i suoi data di addestramento e gli argomenti come attributi del modello.

Esempio

Valida un modello ufficiale YOLO26n:

yolo detect val model=yolo26n.pt

Predizione#

Usa un modello addestrato per eseguire previsioni sulle immagini.

Esempio

Esegui previsioni con un modello ufficiale YOLO26n:

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

Esportazione#

Esporta un modello in un formato diverso come ONNX o CoreML.

Esempio

Esporta un modello ufficiale YOLO26n in formato ONNX:

yolo export model=yolo26n.pt format=onnx

I formati di esportazione Ultralytics disponibili sono nella tabella sottostante. Puoi esportare in qualsiasi formato usando l'argomento format, ad esempio format='onnx' o format='engine'.

FormatoArgomento formatModelloMetadatiArgomenti
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
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, keras, 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
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
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize

nms=None utilizza i valori predefiniti per gli output grezzi per la NMS esterna. Imposta nms=False per selezionare una testa senza NMS disponibile; i formati non supportati ricorrono al loro percorso di output nativo. Le voci nms sopra indicano i formati che possono incorporare la NMS con nms=True.

Vedi i dettagli completi di export sulla pagina Esportazione.

Sovrascrittura degli argomenti predefiniti#

Sovrascrivi gli argomenti predefiniti passandoli nella CLI come coppie arg=value.

Suggerimento

Allena un modello di rilevamento per 10 epoche con un tasso di apprendimento di 0,01:

yolo detect train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

Sovrascrittura del file di configurazione predefinito#

Sovrascrivi interamente il file di configurazione default.yaml passando un nuovo file con l'argomento cfg, come cfg=custom.yaml.

Per fare ciò, crea prima una copia di default.yaml nella tua directory di lavoro corrente con il comando yolo copy-cfg, il quale crea un file default_copy.yaml.

Puoi quindi passare questo file come cfg=default_copy.yaml insieme a qualsiasi argomento aggiuntivo, come imgsz=320 in questo esempio:

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

Comandi delle soluzioni#

Ultralytics fornisce soluzioni pronte all'uso per comuni applicazioni di visione artificiale tramite la CLI. Il comando yolo solutions espone conteggio oggetti, ritaglio, sfocatura, monitoraggio dell'allenamento, mappe di calore, segmentazione di istanze, VisionEye, stima della velocità, gestione delle code, analisi, inferenza Streamlit e tracciamento basato su zone; consulta la pagina Soluzioni per il catalogo completo. Esegui yolo solutions help per elencare ogni soluzione supportata e i relativi argomenti.

Esempio

Conta gli oggetti in un video o in streaming live:

yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file path

Per ulteriori informazioni sulle soluzioni Ultralytics, visita la pagina Soluzioni.

FAQ#

  • Per addestrare un modello utilizzando la CLI, esegui un comando su singola riga nel terminale. Ad esempio, per addestrare un modello di rilevamento per 10 epoche con un tasso di apprendimento di 0,01, esegui:

    yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

    Questo comando utilizza la modalità train con argomenti specifici. Per un elenco completo degli argomenti disponibili, fai riferimento alla Guida alla configurazione.

  • La CLI di Ultralytics YOLO supporta varie attività, tra cui rilevamento, segmentazione, segmentazione semantica, stima della profondità, classificazione, stima della posa e rilevamento di bounding box orientati. Puoi anche eseguire operazioni come:

    • Allena un modello: Esegui yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
    • Esegui previsioni: Usa yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
    • Esporta un modello: Esegui yolo export model=<model.pt> format=<export_format>.
    • Usa soluzioni: Esegui yolo solutions <solution_name> per applicazioni pronte all'uso.

    Personalizza ogni attività con vari argomenti. Per la sintassi dettagliata e gli esempi, consulta le sezioni rispettive come Train, Predict e Export.

  • Per validare l'accuratezza di un modello, usa la modalità val. Ad esempio, per validare un modello di rilevamento preaddestrato con una dimensione del batch di 1 e una dimensione immagine di 640, esegui:

    yolo val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640

    Questo comando valuta il modello sul dataset specificato e fornisce metriche di prestazione come mAP, precisione e richiamo. Per maggiori dettagli, fai riferimento alla sezione Val.

  • Puoi esportare i modelli YOLO in vari formati tra cui ONNX, TensorRT, CoreML, TensorFlow e altri. Ad esempio, per esportare un modello in formato ONNX, esegui:

    yolo export model=yolo26n.pt format=onnx

    Il comando di esportazione supporta numerose opzioni per ottimizzare il tuo modello per specifici ambienti di distribuzione. Per i dettagli completi su tutti i formati di esportazione disponibili e i loro parametri specifici, visita la pagina Esportazione.

  • Ultralytics fornisce soluzioni pronte all'uso tramite il comando solutions. Ad esempio, per contare gli oggetti in un video:

    yolo solutions count source="path/to/video.mp4"

    Queste soluzioni richiedono una configurazione minima e forniscono funzionalità immediate per comuni attività di visione artificiale. Per vedere tutte le soluzioni disponibili, esegui yolo solutions help. Ogni soluzione ha parametri specifici che possono essere personalizzati per soddisfare le tue esigenze.

Contributori
GLglenn-jocher27AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Commenti