Vai al contenuto

Interfaccia a riga di comando

L'interfaccia a riga di comandoCLI) Ultralytics offre un modo semplice per utilizzare i modelliYOLO Ultralytics senza bisogno di un ambiente Python . La CLI supporta l'esecuzione di varie operazioni direttamente dal terminale utilizzando il comando yolo che non richiede alcuna personalizzazione o codice Python .



Guarda: Mastering Ultralytics YOLO : CLI

Esempio

Ultralytics yolo I comandi utilizzano la seguente sintassi: 

yolo TASK MODE ARGS

Dove: - TASK (opzionale) è uno di [detect, segment, classify, pose, obb]. - MODE (richiesto) è uno di [train, val, predict, export, track, benchmark]. - ARGS (facoltativo) sono un numero qualsiasi di elementi personalizzati arg=value coppie come imgsz=320 che sovrascrivono le impostazioni predefinite.

Vedere tutti gli ARGS nell'elenco completo Guida alla configurazione o con yolo cfg.

Addestrare un modello di rilevamento per 10 epoche con una velocità di apprendimento iniziale di 0,01:

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Prevedere utilizzando un modello di segmentazione preaddestrato su un video di YouTube con dimensioni dell'immagine pari a 320:

yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Convalidare un modello di rilevamento preaddestrato con una dimensione del lotto di 1 e un'immagine di 640 dimensioni:

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

Esportare un modello di classificazione YOLO in formato ONNX con dimensioni dell'immagine 224x128 (non è richiesto alcun TASK):

yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128

Eseguire comandi speciali per visualizzare la versione, le impostazioni, eseguire controlli e altro ancora:

yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg

Dove:

  • TASK (opzionale) è uno dei seguenti [detect, segment, classify, pose, obb]. Se non viene passato esplicitamente, YOLO tenterà di dedurre il valore di TASK dal tipo di modello.
  • MODE (richiesto) è uno dei seguenti [train, val, predict, export, track, benchmark]
  • ARGS (facoltativo) sono un numero qualsiasi di elementi personalizzati arg=value coppie come imgsz=320 che sovrascrivono le impostazioni predefinite. Per un elenco completo delle opzioni disponibili ARGS, vedere il Configurazione pagina e defaults.yaml.

Avvertenze

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

  • yolo predict model=yolo11n.pt imgsz=640 conf=0.25   ✅
  • yolo predict model yolo11n.pt imgsz 640 conf 0.25   ❌
  • yolo predict --model yolo11n.pt --imgsz 640 --conf 0.25   ❌

Treno

Addestra YOLO sul set di dati COCO8 per 100 epoche a dimensione immagine 640. Per un elenco completo degli argomenti disponibili, vedere la pagina di configurazione.

Esempio

Avviare l'addestramento di YOLO11n su COCO8 per 100 epoch con un'immagine di dimensione 640:

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Riprendere una sessione di allenamento interrotta:

yolo detect train resume model=last.pt

Val

Convalidare il precisione del modello addestrato sul dataset COCO8. Non sono necessari argomenti perché il modello model mantiene la sua formazione data e gli argomenti come attributi del modello.

Esempio

Convalidare un modello ufficiale YOLO11n:

yolo detect val model=yolo11n.pt

Convalida di un modello addestrato su misura:

yolo detect val model=path/to/best.pt

Prevedere

Utilizzare un modello addestrato per eseguire previsioni sulle immagini.

Esempio

Prevedere con un modello ufficiale YOLO11n:

yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

Prevedere con un modello personalizzato:

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

Esportazione

Esportare un modello in un formato diverso, come ONNX o CoreML.

Esempio

Esportazione di un modello ufficiale YOLO11n in formato ONNX :

yolo export model=yolo11n.pt format=onnx

Esportazione di un modello addestrato su misura in formato ONNX :

yolo export model=path/to/best.pt format=onnx

I formati di esportazione di Ultralytics disponibili sono riportati nella tabella seguente. È possibile esportare in qualsiasi formato utilizzando l'opzione format cioè.., format='onnx' o format='engine'.

Formato format Argomento Modello Metadati Argomenti
PyTorch - yolo11n.pt ✅ -
TorchScript torchscript yolo11n.torchscript ✅ imgsz, optimize, nms, batch
ONNX onnx yolo11n.onnx ✅ imgsz, half, dynamic, simplify, opset, nms, batch
OpenVINO openvino yolo11n_openvino_model/ ✅ imgsz, half, dynamic, int8, nms, batch, data
TensorRT engine yolo11n.engine ✅ imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data
CoreML coreml yolo11n.mlpackage ✅ imgsz, half, int8, nms, batch
TF SavedModel saved_model yolo11n_saved_model/ ✅ imgsz, keras, int8, nms, batch
TF GraphDef pb yolo11n.pb ❌ imgsz, batch
TF Lite tflite yolo11n.tflite ✅ imgsz, half, int8, nms, batch, data
TF Bordo TPU edgetpu yolo11n_edgetpu.tflite ✅ imgsz
TF.js tfjs yolo11n_web_model/ ✅ imgsz, half, int8, nms, batch
PaddlePaddle paddle yolo11n_paddle_model/ ✅ imgsz, batch
MNN mnn yolo11n.mnn ✅ imgsz, batch, int8, half
NCNN ncnn yolo11n_ncnn_model/ ✅ imgsz, half, batch
IMX500 imx yolov8n_imx_model/ ✅ imgsz, int8, data
RKNN rknn yolo11n_rknn_model/ ✅ imgsz, batch, name

Vedi tutto export dettagli sul Esportazione pagina.

Sovrascrittura degli argomenti predefiniti

Si possono sovrascrivere gli argomenti predefiniti passandoli nella CLI come arg=value coppie.

Suggerimento

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

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Prevedere utilizzando un modello di segmentazione preaddestrato su un video di YouTube con dimensioni dell'immagine pari a 320:

yolo segment predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Convalidare un modello di rilevamento preaddestrato con una dimensione del lotto di 1 e un'immagine di 640 dimensioni:

yolo detect val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

Sovrascrittura del file di configurazione predefinito

Sovrascrivere l'opzione default.yaml interamente il file di configurazione, passando un nuovo file con l'opzione cfg come ad esempio cfg=custom.yaml.

Per farlo, creare prima una copia di default.yaml nella directory di lavoro corrente con l'opzione yolo copy-cfg che crea un file default_copy.yaml file.

Si può quindi passare questo file come cfg=default_copy.yaml insieme a qualsiasi altro argomento, 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 le più comuni applicazioni di computer vision attraverso la CLI. Queste soluzioni semplificano l'implementazione di attività complesse come il conteggio degli oggetti, il monitoraggio degli allenamenti e la gestione delle code.

Esempio

Conta gli oggetti in un video o in un live stream:

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

Monitorare gli esercizi di allenamento utilizzando un modello di posa:

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

# Use keypoints for ab-workouts
yolo solutions workout kpts=[5, 11, 13] # left side
yolo solutions workout kpts=[6, 12, 14] # right side

Conta gli oggetti in una coda o regione designata:

yolo solutions queue show=True
yolo solutions queue source="path/to/video.mp4"                                # specify video file path
yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # configure queue coordinates

Eseguire il rilevamento di oggetti, la segmentazione di istanze o la stima della posa in un browser web utilizzando Streamlit:

yolo solutions inference
yolo solutions inference model="path/to/model.pt" # use custom model

Visualizza le soluzioni disponibili e le relative opzioni:

yolo solutions help

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

FAQ

Come si utilizza l'interfaccia a riga di comandoCLI) di Ultralytics YOLO per l'addestramento del modello?

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

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Questo comando utilizza l'opzione train con argomenti specifici. Per un elenco completo degli argomenti disponibili, fare riferimento al file Guida alla configurazione.

Quali operazioni si possono eseguire con Ultralytics YOLO CLI?

LaCLI di Ultralytics YOLO supporta diverse operazioni, tra cui il rilevamento, la segmentazione, la classificazione, la stima della posa e il rilevamento del rettangolo di selezione orientato. È inoltre possibile eseguire operazioni come:

  • Addestrare un modello: Esegui yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
  • Previsioni di corsa: Utilizzo yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
  • Esportare un modello: Eseguire yolo export model=<model.pt> format=<export_format>.
  • Soluzioni d'uso: Esegui yolo solutions <solution_name> per applicazioni già pronte.

Personalizzare ogni task con vari argomenti. Per la sintassi dettagliata e gli esempi, si vedano le rispettive sezioni Train, Predict ed Export.

Come si può convalidare l'accuratezza di un modello YOLO addestrato utilizzando la CLI?

Per convalidare il modello precisione, utilizzare l'opzione val modalità. Ad esempio, per convalidare un modello di rilevamento preaddestrato con un modello di rilevazione Dimensione del lotto di 1 e una dimensione dell'immagine di 640, eseguire:

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

Questo comando valuta il modello sul set di dati specificato e fornisce metriche di performance come mAP, precision e recall. Per maggiori dettagli, consultare la sezione Val.

In quali formati posso esportare i miei modelli YOLO utilizzando la CLI?

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

yolo export model=yolo11n.pt format=onnx

Il comando di esportazione supporta numerose opzioni per ottimizzare il modello per ambienti di distribuzione specifici. Per informazioni complete su tutti i formati di esportazione disponibili e sui loro parametri specifici, visitate la pagina Esportazione.

Come si utilizzano le soluzioni precostituite nellaCLI di Ultralytics ?

Ultralytics fornisce soluzioni pronte per l'uso attraverso il programma solutions comando. 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 le attività di computer vision più comuni. Per vedere tutte le soluzioni disponibili, eseguire yolo solutions help. Ogni soluzione ha parametri specifici che possono essere personalizzati per soddisfare le vostre esigenze.

📅C reato 1 anno fa ✏️ Aggiornato 5 giorni fa
glenn-jocher Assistente Ultralitico jk4e MatteoNoyce ambizioso-octopus Burhan-Q RizwanMunawar AyushExel Ridere-q nihui

Commenti