Interfaccia a riga di comando
L'interfaccia a riga di comando (CLI) di Ultralytics fornisce un modo semplice per utilizzare i modelli Ultralytics YOLO senza bisogno di un ambiente Python. La CLI supporta l'esecuzione di diverse attività direttamente dal terminale utilizzando il comando yolo, senza richiedere personalizzazioni o codice Python.
Watch: Mastering Ultralytics YOLO: CLI
I comandi yolo di Ultralytics utilizzano la seguente sintassi:
yolo TASK MODE ARGSDove:
TASK(opzionale) è uno tra [detect, segment, classify, pose, obb]MODE(obbligatorio) è uno tra [train, val, predict, export, track, benchmark]ARGS(opzionali) sono un numero qualsiasi di coppiearg=valuepersonalizzate comeimgsz=320che sovrascrivono i valori predefiniti.
Vedi tutti gli ARGS nella Guida alla configurazione completa o con yolo cfg.
Dove:
TASK(opzionale) è uno tra[detect, segment, 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(opzionali) sono un numero qualsiasi di coppiearg=valuepersonalizzate comeimgsz=320che sovrascrivono i valori predefiniti. Per un elenco completo degliARGSdisponibili, vedi 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❌
Addestra
Addestra YOLO sul dataset COCO8 per 100 epoche con una dimensione dell'immagine di 640. Per un elenco completo degli argomenti disponibili, vedi la pagina Configurazione.
Avvia l'addestramento di YOLO26n su COCO8 per 100 epoche con dimensione dell'immagine 640:
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640Valida
Valida l'accuratezza del modello addestrato sul dataset COCO8. Non sono necessari argomenti poiché il model mantiene i suoi data di addestramento e gli argomenti come attributi del modello.
Valida un modello ufficiale YOLO26n:
yolo detect val model=yolo26n.ptPredict
Utilizza un modello addestrato per eseguire previsioni su immagini.
Esegui una previsione con un modello ufficiale YOLO26n:
yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'Esporta
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 Ultralytics disponibili 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, dynamic, simplify, opset, nms, batch, 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, 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 |
Consulta i dettagli completi su export nella pagina Export.
Sovrascrittura 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=0.01Sovrascrittura 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 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=320Comandi per le soluzioni
Ultralytics fornisce soluzioni pronte all'uso per applicazioni comuni di computer vision tramite la CLI. Il comando yolo solutions espone il conteggio degli oggetti, il ritaglio, la sfocatura, il monitoraggio dell'allenamento, le mappe di calore, la segmentazione di istanze, VisionEye, la stima della velocità, la gestione delle code, l'analisi, l'inferenza Streamlit e il tracciamento basato su zone — consulta la pagina Solutions 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 uno streaming live:
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file pathPer ulteriori informazioni sulle soluzioni Ultralytics, visita la pagina Solutions.
FAQ
Come 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 su una riga 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.
Quali attività posso eseguire con la CLI di Ultralytics YOLO?
La CLI di Ultralytics YOLO supporta varie attività, tra cui rilevamento, segmentazione, classificazione, stima della posa e rilevamento di bounding box 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 la sintassi dettagliata ed esempi, consulta le rispettive sezioni come Train, Predict e Export.
Come posso convalidare l'accuratezza di un modello YOLO addestrato utilizzando la CLI?
Per convalidare l'accuratezza di un modello, usa la modalità val. Ad esempio, per convalidare un modello di rilevamento preaddestrato con una batch size di 1 e una dimensione dell'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.
In 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 ambienti di distribuzione specifici. Per dettagli completi su tutti i formati di esportazione disponibili e i loro parametri specifici, visita la pagina Export.
Come 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.