Meet YOLO26: next-gen vision AI.

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 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
Esempio

I comandi yolo di Ultralytics utilizzano la seguente sintassi:

yolo TASK MODE ARGS

Dove:

  • TASK (opzionale) è uno tra [detect, segment, semantic, classify, pose, obb]
  • MODE (obbligatorio) è uno tra [train, val, predict, export, track, benchmark]
  • ARGS (opzionale) sono un numero qualsiasi di coppie personalizzate arg=value come imgsz=320 che 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, semantic, classify, pose, obb]. Se non viene passato esplicitamente, YOLO tenterà di dedurre il TASK dal tipo di modello.
  • MODE (obbligatorio) è uno tra [train, val, predict, export, track, benchmark]
  • ARGS (opzionale) sono 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.
Avvertenza

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.

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

Link to this sectionValidazione#

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.

Esempio

Valida un modello ufficiale YOLO26n:

yolo detect val model=yolo26n.pt

Link to this sectionPredizione#

Usa un modello addestrato per eseguire predizioni sulle immagini.

Esempio

Esegui una predizione 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.

Esempio

Esporta un modello ufficiale YOLO26n in formato ONNX:

yolo export model=yolo26n.pt format=onnx

I 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'.

FormatoArgomento formatModelloMetadatiArgomenti
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, half, dynamic, optimize, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, half, int8, dynamic, simplify, opset, nms, batch, data, fraction, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, half, dynamic, int8, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, half, int8, nms, batch, device
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, keras, int8, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, batch, device
TF Litetfliteyolo26n.tflite✅imgsz, half, int8, nms, batch, data, fraction, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, int8, data, fraction, device
TF.jstfjsyolo26n_web_model/✅imgsz, half, int8, nms, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, int8, half, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, half, batch, device
IMX500imxyolo26n_imx_model/✅imgsz, int8, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, int8, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, int8, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, int8, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn_model/✅imgsz, batch, name, int8, data, fraction, device

Consulta tutti i dettagli su export nella pagina Export.

Link to this sectionSovrascrittura degli argomenti predefiniti#

Override default arguments by passing them in the CLI as arg=value pairs.

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

Link to this sectionSovrascrittura 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 creerà un file default_copy.yaml.

Puoi quindi passare questo file come cfg=default_copy.yaml insieme a eventuali argomenti aggiuntivi, come imgsz=320 in questo esempio:

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

Link 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 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 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.

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

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

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 usando la CLI, esegui un comando su una sola 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=0.01

Questo comando usa 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 svolgere 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 di box di delimitazione orientati. Puoi anche eseguire operazioni come:

  • Addestrare un modello: Esegui yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
  • Eseguire previsioni: 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 ed esempi, consulta le rispettive sezioni come Train, Predict ed Export.

Link to this sectionCome posso validare l'accuratezza di un modello YOLO addestrato usando la CLI?#

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 ulteriori dettagli, fai riferimento alla sezione Val.

Link to this sectionIn quali formati posso esportare i miei modelli YOLO usando la CLI?#

Puoi esportare i modelli YOLO in vari formati, inclusi ONNX, TensorRT, CoreML, TensorFlow e altri ancora. 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 dettagli completi su tutti i formati di esportazione disponibili e i loro parametri specifici, visita la pagina Export.

Link to this sectionCome uso le soluzioni pre-costruite 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.

Collaboratori
GLglenn-jocher27AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Commenti