Ultralytics YOLO27:
Get Started

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 scrivere codice Python. La CLI consente di eseguire varie attività direttamente dal terminale usando il comando yolo.



Guarda: Padroneggiare Ultralytics YOLO: CLI
Esempio

I comandi yolo di Ultralytics usano la sintassi seguente:

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) indica un numero qualsiasi di coppie personalizzate arg=value, come imgsz=320, che sovrascrivono i valori predefiniti.

Consulta tutti gli ARG nella guida completa alla configurazione o con yolo cfg.

Dove:

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

Gli argomenti devono essere passati come coppie arg=val, separate da un segno di uguale = e delimitate da spazi tra una coppia e l'altra. Non usare prefissi di argomento -- né 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 dimensione dell'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 dell'immagine 640:

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

Convalida#

Convalida la precisione del modello addestrato sul dataset COCO8. Se data è omesso, un modello personalizzato riutilizza data usato per l'addestramento; per i pesi ufficiali viene usato il valore predefinito del task coco8.yaml.

Esempio

Convalida un modello YOLO26n ufficiale:

yolo detect val model=yolo26n.pt data=coco8.yaml

Predici#

Usa un modello addestrato per eseguire predizioni sulle immagini.

Esempio

Esegui predizioni con un modello YOLO26n ufficiale:

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.

Esempio

Esporta un modello YOLO26n ufficiale nel formato ONNX:

yolo export model=yolo26n.pt format=onnx

I formati di esportazione Ultralytics disponibili sono elencati nella tabella seguente. 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
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, 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
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, 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
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou, device
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms, device
AMD Xilinxxilinxyolo26n_xilinx_model/✅imgsz, name, quantize, data, fraction, opset, simplify, device

nms=None restituisce per impostazione predefinita output grezzi per NMS esterno. Imposta nms=False per selezionare una head disponibile senza NMS; i formati non supportati utilizzano il proprio percorso di output nativo. Le voci nms qui sopra identificano i formati che possono integrare NMS con nms=True.

Consulta tutti i dettagli di export nella pagina Esportazione.

Sovrascrivere gli 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 optimizer=SGD lr0=0.01

Sovrascrivere il 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 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:

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

Comandi delle soluzioni#

Ultralytics offre soluzioni pronte all'uso per le applicazioni di computer vision più comuni tramite la CLI. Il comando yolo solutions mette a disposizione il conteggio degli oggetti, il ritaglio, la sfocatura, il monitoraggio degli allenamenti, le mappe di calore, la segmentazione delle istanze, VisionEye, la stima della velocità, la gestione delle code, l'analisi, l'inferenza con Streamlit, il tracciamento basato su zone, il conteggio delle regioni, gli allarmi di sicurezza e la gestione dei parcheggi: consulta la pagina Soluzioni per il catalogo completo. Esegui yolo solutions help per elencare tutte le soluzioni supportate e i relativi argomenti.

Esempio

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 path

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

Domande frequenti#

  • Per addestrare un modello usando la CLI, esegui un comando su una sola riga nel terminale. Ad esempio, per addestrare un modello di rilevamento per 10 epoche, esegui:

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

    Questo comando usa la modalità train con argomenti specifici. Per l'elenco completo degli argomenti disponibili, consulta la Guida alla configurazione.

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

    • Addestrare un modello: esegui yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
    • Eseguire predizioni: usa yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
    • Esportare un modello: esegui yolo export model=<model.pt> format=<export_format>.
    • Usare le 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 corrispondenti, come Addestramento, Predizione ed Esportazione.

  • Per convalidare la precisione di un modello, usa la modalità val. Ad esempio, per convalidare un modello di rilevamento pretrained con una dimensione del batch pari a 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 prestazione come mAP, precisione e richiamo. Per maggiori dettagli, consulta la 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 modello per specifici ambienti di deployment. Per tutti i dettagli sui formati di esportazione disponibili e sui relativi parametri specifici, visita la pagina Esportazione.

  • Ultralytics offre 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 le attività di computer vision più comuni. Per vedere tutte le soluzioni disponibili, esegui yolo solutions help. Ogni soluzione ha parametri specifici che puoi personalizzare in base alle tue esigenze.

Collaboratori
GLglenn-jocher28RAraimbekovm5AMambitious-octopus3BUBurhan-Q3JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Commenti