Utilizzo dell'interfaccia a riga di comando
L'interfaccia a riga di comando YOLO (CLI) consente di eseguire semplici comandi a riga singola senza la necessità di un ambiente Python . CLI non richiede alcuna personalizzazione o codice Python . Puoi semplicemente eseguire tutte le attività dal terminale con il comando yolo
comando.
Guarda: Mastering Ultralytics YOLOv8 : CLI
Esempio
Ultralytics yolo
utilizza la seguente sintassi:
yolo TASK MODE ARGS
Where TASK (optional) is one of [detect, segment, classify]
MODE (required) is one of [train, val, predict, export, track]
ARGS (optional) are any number of custom 'arg=value' pairs like 'imgsz=320' that override defaults.
yolo cfg
Addestra un modello di rilevamento per 10 epoche con un tasso di apprendimento iniziale di 0,01.
Prevedere un video di YouTube utilizzando un modello di segmentazione preaddestrato con dimensioni dell'immagine pari a 320:
Val un modello di rilevamento preaddestrato alla dimensione del lotto 1 e alla dimensione dell'immagine 640:
Esporta un modello di classificazione YOLOv8n in formato ONNX con dimensioni dell'immagine 224 per 128 (non è richiesto alcun TASK)
Dove:
TASK
(opzionale) è una delle seguenti opzioni[detect, segment, classify]
. Se non viene passato esplicitamente, YOLOv8 cercherà di indovinare l'indirizzo del sito.TASK
dal tipo di modello.MODE
(richiesto) è uno dei seguenti[train, val, predict, export, track]
ARGS
(facoltativo) sono un numero qualsiasi di elementi personalizzatiarg=value
coppie comeimgsz=320
che sovrascrivono le impostazioni predefinite. Per un elenco completo delle opzioni disponibiliARGS
vedi il Configurazione pagina edefaults.yaml
GitHub fonte.
Avvertenze
Gli argomenti devono essere passati come arg=val
coppie, divise da un uguale =
e delimitato da spazi tra le coppie. Non utilizzare
--
prefissi o virgole degli argomenti ,
tra gli argomenti.
yolo predict model=yolov8n.pt imgsz=640 conf=0.25
✅yolo predict model yolov8n.pt imgsz 640 conf 0.25
❌yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25
❌
Treno
Addestra YOLOv8n sul set di dati COCO8 per 100 epoche con dimensioni dell'immagine pari a 640. Per un elenco completo degli argomenti disponibili, consulta la pagina di configurazione.
Esempio
Val
Convalida l'accuratezza del modello YOLOv8n addestrato sul set di dati COCO8. Non è necessario passare alcun argomento come il parametro model
mantiene la formazione data
e gli argomenti come attributi del modello.
Esempio
Prevedere
Utilizza un modello YOLOv8n addestrato per eseguire previsioni sulle immagini.
Esempio
Esportazione
Esporta un modello YOLOv8n in un formato diverso come ONNX, CoreML, ecc.
Esempio
I formati di esportazione disponibili su YOLOv8 sono riportati nella tabella seguente. Puoi esportare in qualsiasi formato utilizzando l'opzione format
argomento, vale a dire format='onnx'
o format='engine'
.
Formato | format Argomento |
Modello | Metadati | Argomenti |
---|---|---|---|---|
PyTorch | - | yolov8n.pt |
✅ | - |
TorchScript | torchscript |
yolov8n.torchscript |
✅ | imgsz , optimize , batch |
ONNX | onnx |
yolov8n.onnx |
✅ | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolov8n_openvino_model/ |
✅ | imgsz , half , int8 , batch |
TensorRT | engine |
yolov8n.engine |
✅ | imgsz , half , dynamic , simplify , workspace , batch |
CoreML | coreml |
yolov8n.mlpackage |
✅ | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolov8n_saved_model/ |
✅ | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolov8n.pb |
❌ | imgsz , batch |
TF Lite | tflite |
yolov8n.tflite |
✅ | imgsz , half , int8 , batch |
TF Bordo TPU | edgetpu |
yolov8n_edgetpu.tflite |
✅ | imgsz , batch |
TF.js | tfjs |
yolov8n_web_model/ |
✅ | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolov8n_paddle_model/ |
✅ | imgsz , batch |
NCNN | ncnn |
yolov8n_ncnn_model/ |
✅ | imgsz , half , batch |
Vedi tutto export
dettagli nella sezione Esportazione pagina.
Sovrascrivere gli argomenti predefiniti
Gli argomenti predefiniti possono essere sovrascritti semplicemente passandoli come argomenti nel sito CLI in arg=value
coppie.
Addestrare un modello di rilevamento per 10 epochs
con learning_rate
di 0.01
Prevedere un video di YouTube utilizzando un modello di segmentazione preaddestrato con dimensioni dell'immagine pari a 320:
Sovrascrivere il file di configurazione predefinito
Puoi sovrascrivere l'opzione default.yaml
interamente passando un nuovo file con l'opzione cfg
argomenti, cioè cfg=custom.yaml
.
Per farlo, crea prima una copia di default.yaml
nella tua cartella di lavoro attuale con l'opzione yolo copy-cfg
comando.
In questo modo si creerà default_copy.yaml
che può essere passato come cfg=default_copy.yaml
insieme a qualsiasi argomento aggiuntivo, come imgsz=320
in questo esempio:
Creato 2023-11-12, Aggiornato 2024-04-27
Autori: glenn-jocher (14), Burhan-Q (1), RizwanMunawar (1), AyushExel (1), Laughing-q (1), shuizhuyuanluo@126.com (1)