YOLO Vision 2026:

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 utilizzano 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.

Consulta 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.
Avviso

Gli argomenti devono essere passati come coppie arg=val, separate da un segno di uguale = e delimitate da spazi tra le coppie. Non usare 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#

Addestra YOLO sul dataset COCO8 per 100 epoche con una dimensione dell'immagine pari a 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

Valutazione#

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

Esempio

Valida un modello ufficiale YOLO26n:

yolo detect val model=yolo26n.pt

Previsione#

Usa un modello addestrato per eseguire previsioni su immagini.

Esempio

Previsione 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 elencati 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

Consulta i dettagli completi di export nella pagina Esportazione.

Sovrascrittura degli argomenti predefiniti#

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

Suggerimento

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=0.01

Sovrascrittura del file di configurazione predefinito#

Sovrascrivi completamente 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 per le soluzioni#

Ultralytics offre soluzioni pronte all'uso per comuni applicazioni di visione artificiale tramite la CLI. Il comando yolo solutions espone il conteggio degli oggetti, il ritaglio, la sfocatura, il monitoraggio degli allenamenti, le mappe di calore, la segmentazione di istanze, VisionEye, la stima della velocità, la gestione delle code, l'analisi, l'inferenza con Streamlit e il 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 un live streaming:

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:

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

  • Per validare l'accuratezza di un modello, usa la modalità val. Ad esempio, per validare un modello di rilevamento pre-addestrato con una dimensione del batch di 1 e una dimensione dell'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 performance 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 sui 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 offrono 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