Link to this sectionInterfaccia 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 personalizzazioni o codice Python.
Watch: Mastering Ultralytics YOLO: CLI
I comandi yolo di Ultralytics usano la seguente sintassi:
yolo TASK MODE ARGSDove:
TASK(facoltativo) è uno tra [detect, segment, semantic, classify, pose, obb]MODE(obbligatorio) è uno tra [train, val, predict, export, track, benchmark]ARGS(facoltativo) sono un qualsiasi numero di coppie personalizzatearg=valuecomeimgsz=320che sovrascrivono i valori predefiniti.
Consulta tutti gli ARGS nella Guida alla configurazione completa o tramite yolo cfg.
Dove:
TASK(facoltativo) è uno tra[detect, segment, semantic, classify, pose, obb]. Se non viene passato esplicitamente, YOLO tenterà di dedurre ilTASKdal tipo di modello.MODE(obbligatorio) è uno tra[train, val, predict, export, track, benchmark]ARGS(facoltativo) sono un qualsiasi numero di coppie personalizzatearg=valuecomeimgsz=320che sovrascrivono i valori predefiniti. Per un elenco completo degliARGSdisponibili, consulta la pagina Configurazione edefault.yaml.
Gli argomenti devono essere passati come coppie arg=val, separate da un segno di uguale = e delimitate 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❌
Link to this sectionAddestramento#
Addestra YOLO sul dataset COCO8 per 100 epoche con dimensione immagine 640. Per un elenco completo degli argomenti disponibili, consulta la pagina Configurazione.
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=640Link to this sectionValutazione#
Valida l'accuratezza del modello addestrato sul dataset COCO8. Non sono necessari argomenti poiché il model mantiene i suoi dati di addestramento data e gli argomenti come attributi del modello.
Valida un modello ufficiale YOLO26n:
yolo detect val model=yolo26n.ptLink to this sectionPrevisione#
Usa un modello addestrato per eseguire previsioni su immagini.
Previsione con un modello ufficiale YOLO26n:
yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'Link to this sectionEsportazione#
Esporta un modello in un formato diverso come ONNX o CoreML.
Esporta un modello ufficiale YOLO26n in formato ONNX:
yolo export model=yolo26n.pt format=onnxI formati di esportazione disponibili di Ultralytics sono nella tabella sottostante. Puoi esportare in qualsiasi formato utilizzando l'argomento format, ad esempio format='onnx' o format='engine'.
| Formato | Argomento format | Modello | Metadati | Argomenti |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, half, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, half, int8, dynamic, simplify, opset, nms, batch, data, fraction, 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, half, int8, data, fraction, 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 |
| Qualcomm QNN | qnn | yolo26n_qnn.onnx | ✅ | imgsz, batch, name, int8, data, fraction, device |
Vedi i dettagli completi su export nella pagina Esportazione.
Link to this sectionSovrascrittura degli argomenti predefiniti#
Sovrascrivi gli argomenti predefiniti passandoli nella CLI come coppie arg=value.
Addestra un modello di rilevamento per 10 epoche con un learning rate di 0,01:
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01Link to this sectionSovrascrittura del file di configurazione predefinito#
Sovrascrivi interamente il file di configurazione default.yaml passando un nuovo file con l'argomento cfg, ad esempio cfg=custom.yaml.
Per farlo, crea prima una copia di default.yaml nella tua directory di lavoro corrente con il comando yolo copy-cfg, che 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:
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320Link to this sectionComandi per le soluzioni#
Ultralytics fornisce soluzioni pronte all'uso per applicazioni comuni di computer vision tramite la CLI. Il comando yolo solutions espone conteggio oggetti, ritaglio, sfocatura, monitoraggio 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 suoi argomenti.
Conta gli oggetti in un video o in un live streaming:
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file pathPer maggiori informazioni sulle soluzioni Ultralytics, visita la pagina Soluzioni.
Link to this sectionFAQ#
Link to this sectionCome uso l'interfaccia a riga di comando (CLI) di Ultralytics YOLO per l'addestramento del modello?#
Per addestrare un modello utilizzando la CLI, esegui un comando a riga singola nel terminale. Ad esempio, per addestrare un modello di rilevamento per 10 epoche con un learning rate di 0,01, esegui:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01Questo comando utilizza la modalità train con argomenti specifici. Per un elenco completo degli argomenti disponibili, fai riferimento alla Guida alla configurazione.
Link to this sectionQuali attività posso eseguire con la CLI di Ultralytics YOLO?#
La CLI di Ultralytics YOLO supporta varie attività, tra cui rilevamento, segmentazione, segmentazione semantica, classificazione, stima della posa e rilevamento con riquadri di delimitazione orientati. Puoi anche eseguire operazioni come:
- Addestra 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 le soluzioni: Esegui
yolo solutions <solution_name>per applicazioni pronte all'uso.
Personalizza ogni attività con vari argomenti. Per sintassi dettagliate ed esempi, consulta le rispettive sezioni come Train, Predict e Export.
Link to this sectionCome posso validare l'accuratezza di un modello YOLO addestrato utilizzando la CLI?#
Per validare l'accuratezza di un modello, usa la modalità val. Ad esempio, per validare un modello di rilevamento preaddestrato con una batch size di 1 e una dimensione immagine di 640, esegui:
yolo val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640Questo comando valuta il modello sul dataset specificato e fornisce metriche di performance come mAP, precision e recall. Per ulteriori dettagli, fai riferimento alla sezione Val.
Link to this sectionIn quali formati posso esportare i miei modelli YOLO utilizzando la CLI?#
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=onnxIl comando di esportazione supporta numerose opzioni per ottimizzare il tuo modello per specifici ambienti di distribuzione. Per dettagli completi su tutti i formati di esportazione disponibili e i loro parametri specifici, visita la pagina Esportazione.
Link to this sectionCome uso le soluzioni predefinite nella CLI di Ultralytics?#
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 attività comuni di computer vision. Per vedere tutte le soluzioni disponibili, esegui yolo solutions help. Ogni soluzione ha parametri specifici che possono essere personalizzati per adattarsi alle tue esigenze.