はじめる

コマンドラインインターフェース

Ultralyticsのコマンドラインインターフェース(CLI)を使うと、Pythonコードを書かずにUltralytics YOLOモデルを簡単に利用できます。CLIでは、yoloコマンドを使用して、ターミナルから各タスクとモードを直接実行できます。



視聴: Ultralytics YOLO を使いこなす: CLI
例

Ultralyticsのyoloコマンドは、次の構文を使用します。

yolo TASK MODE ARGS

各項目の説明:

  • TASK(省略可)は、[detect, segment, semantic, depth, classify, pose, obb]のいずれかです。
  • MODE(必須)は、[train, val, predict, export, track, benchmark]のいずれかです。
  • ARGS(省略可)は、デフォルトを上書きするimgsz=320などのカスタムarg=valueペアを任意の数だけ指定します。

すべてのARGSは、設定ガイド全文またはyolo cfgで確認できます。

各項目の説明:

  • TASK(省略可)は、[detect, segment, semantic, depth, classify, pose, obb]のいずれかです。明示的に指定しない場合、YOLOはモデルの種類からTASKを推定しようとします。
  • MODE(必須)は、[train, val, predict, export, track, benchmark]のいずれかです。
  • ARGS(省略可)は、デフォルトを上書きするimgsz=320などのカスタムarg=valueペアを任意の数だけ指定します。利用可能なARGSの一覧については、設定ページとdefault.yamlを参照してください。
警告

引数はarg=valペアとして渡し、各ペア内では等号=で区切り、ペア同士はスペースで区切る必要があります。引数の前に--を付けたり、引数間にカンマ,を使用したりしないでください。

  • 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 ❌

学習#

COCO8データセットで、画像サイズ640、100エポックの条件でYOLOをトレーニングします。

例

COCO8で画像サイズ640、100エポックの条件でYOLO26nのトレーニングを開始します:

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

検証#

トレーニング済みモデルの精度をCOCO8データセットで検証します。カスタムモデルでは、dataが省略されると、トレーニング時のdataが再利用されます。公式ウェイトの場合は、タスクのデフォルト値coco8.yamlが使用されます。

例

公式YOLO26nモデルを検証します。

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

推論#

学習済みモデルを使って画像の推論を実行します。

例

公式YOLO26nモデルで推論を実行します。

yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

エクスポート#

モデルをONNXやCoreMLなどの別の形式にエクスポートします。

例

公式YOLO26nモデルをONNX形式にエクスポートします。

yolo export model=yolo26n.pt format=onnx

使用可能なUltralyticsのエクスポート形式を以下の表に示します。format引数を使うと任意の形式にエクスポートできます。例: format='onnx'またはformat='engine'。

形式format引数モデルメタデータ引数
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, device
IMX500imxyolo11n_imx_model/✅imgsz, quantize, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, quantize, batch, data, fraction, 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
NXPnxpyolo26n_nxp.tflite✅imgsz, quantize, data, fraction, device
ST Edge AIstedgeaiyolo26n_stedgeai.onnx✅imgsz, quantize, data, fraction, opset, simplify, device

nms=None は、外部NMS用にデフォルトでraw出力を返します(YOLO26はAxelera上でNMSフリーヘッドを維持します)。利用可能なNMSフリーヘッドを選択するには、nms=Falseを設定します。非対応の形式では、ネイティブの出力経路にフォールバックします。上記のnmsの項目は、nms=Trueを使用してNMSを埋め込める形式を示しています。

詳しくは、Exportページでexportの詳細をご覧ください。

デフォルト引数の上書き#

CLIでarg=valueの形式で渡すと、デフォルト引数を上書きできます。

ヒント

学習率0.01で、検出モデルを10エポック学習します。

yolo detect train data=coco8.yaml model=yolo26n.pt epochs=10 optimizer=SGD lr0=0.01

デフォルト設定ファイルの上書き#

cfg引数で新しいファイル(例:cfg=custom.yaml)を指定すると、default.yaml設定ファイル全体を上書きできます。

まず、yolo copy-cfgコマンドを使って、現在の作業ディレクトリにdefault.yamlのコピーを作成します。このコマンドにより、default_copy.yamlファイルが作成されます。

その後、この例のimgsz=320のような追加引数とともに、このファイルをcfg=default_copy.yamlとして渡せます。

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

ソリューションコマンド#

Ultralyticsは、CLIを通じて一般的なコンピュータービジョンアプリケーション向けのすぐに使えるソリューションを提供します。yolo solutionsコマンドでは、物体カウント、クロップ、ぼかし、ワークアウトモニタリング、ヒートマップ、インスタンスセグメンテーション、VisionEye、速度推定、キュー管理、分析、Streamlit推論、ゾーンベースのトラッキング、領域カウント、セキュリティアラーム、駐車場管理を利用できます。全カタログについては、Solutionsページをご覧ください。yolo solutions helpを実行すると、サポートされているすべてのソリューションと引数が表示されます。

例

動画またはライブストリーム内の物体をカウントします。

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

Ultralyticsソリューションの詳細については、Solutionsページをご覧ください。

よくある質問#

  • CLIを使ってモデルを学習させるには、ターミナルで1行のコマンドを実行します。たとえば、検出モデルを10エポック学習させるには、次のコマンドを実行します。

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

    このコマンドでは、特定の引数を指定してtrainモードを使用します。利用可能な引数の一覧については、Configuration Guideをご覧ください。

  • Ultralytics YOLO CLIは、検出、セグメンテーション、セマンティックセグメンテーション、深度推定、分類、ポーズ推定、回転バウンディングボックス検出など、さまざまなタスクに対応しています。次のような操作も実行できます。

    • モデルの学習:yolo train data=<data.yaml> model=<model.pt> epochs=<num>を実行します。
    • 予測の実行:yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>を使用します。
    • モデルのエクスポート:yolo export model=<model.pt> format=<export_format>を実行します。
    • ソリューションの使用:すぐに使えるアプリケーションを利用するには、yolo solutions <solution_name>を実行します。

    さまざまな引数を使って各タスクをカスタマイズできます。詳しい構文と例については、Train、Predict、Exportなどの各セクションをご覧ください。

  • モデルの精度を検証するには、valモードを使用します。たとえば、事前学習済みの検出モデルをバッチサイズ1、画像サイズ640で検証するには、次のように実行します:

    yolo val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640

    このコマンドは、指定したデータセットでモデルを評価し、mAP、適合率、再現率などのパフォーマンス指標を出力します。詳しくは、Valセクションをご覧ください。

  • YOLOモデルは、ONNX、TensorRT、CoreML、TensorFlowなど、さまざまなフォーマットにエクスポートできます。たとえば、モデルをONNXフォーマットにエクスポートするには、次のコマンドを実行します。

    yolo export model=yolo26n.pt format=onnx

    エクスポートコマンドには、特定のデプロイ環境向けにモデルを最適化するための多数のオプションがあります。利用可能なすべてのエクスポートフォーマットと固有のパラメーターの詳細については、Exportページをご覧ください。

  • Ultralyticsは、solutionsコマンドを通じてすぐに使えるソリューションを提供します。たとえば、動画内の物体をカウントするには、次のコマンドを実行します。

    yolo solutions count source="path/to/video.mp4"

    これらのソリューションは最小限の設定で利用でき、一般的なコンピュータービジョンタスクをすぐに実行できます。利用可能なすべてのソリューションを確認するには、yolo solutions helpを実行してください。各ソリューションには、用途に合わせてカスタマイズできる固有のパラメーターがあります。

コメント28

質問したり、結果を共有したり、ほかの人をサポートしたりできます。

  1. Lishiquan12GitHub

    Usage: yolo [OPTIONS] COMMAND [ARGS]... Try 'yolo -h' for help.

    Error: No such command 'detect'. why?

    1
    1. Glenn JocherUltralytics

      嘿!看起来你在尝试使用 detect 命令,但这实际上并不直接作为命令使用。😅 在YOLOv8 CLI中,detect 更像是一个任务类型标识符,而不是直接使用的命令。

      比如说,如果你想要对一张图片进行预测(检测),你可以这样做:

      yolo detect predict model=yolov8n.pt source='path/to/image.jpg'

      这里 detect 指出你想要进行的是物体检测任务,predict 是你想要进行的模式,接着是模型和图像源的具体参数。🔍

      确保检查 Ultralytics YOLO 文档 获取更多详细信息和参数选项!希望这有助于解决问题!

    2. Glenn JocherUltralytics

      看起来你遇到了 'yolo detect' 是无效命令 的问题。 😊 对于YOLOv8 CLI的用法, 实际上你不需要直接使用 "detect" 作为命令。以下是一个简单的例子,演示如何正确地使用 CLI 来运行一个预测:

      yolo predict model=yolov8n.pt source='path/to/your/image.jpg'

      在这个例子中,我们使用 predict 而不是 detect,然后指定模型和要进行预测的数据源。希望这能帮助到你!如果还有其他疑问,欢迎继续提问。👍

  2. User

    Hello Team Ultralytics,

    Good morning!

    Many thanks for the great work.

    Couple of questions:

    1. How can i generate same graphs (graphs after training) after using the trained model on my unsense samples data?
    2. I can use the target folder after training the model, however, it only exports the images with the prediction boxes. I want to have a pie chart or bar chart or even the same plots it exports after the training run
    3. For the object detection via a video, if i have 4 images to display in one second, the model looks the same image multiple times. How can we correct the frames reading?

    Looking forward to your kind input,

    Kind regards,

    MUK

    1. Glenn JocherUltralytics(編集済み)

      @yizhihuo666 好问题!当你更新到最新版本的Ultralytics库时,不指定模型时使用的默认模型会随版本更新(现在检测任务默认为 yolo26n.pt)。这就是为什么你的原始命令会提示下载新的默认模型文件。

      如果你想继续使用YOLOv8模型,可以显式指定模型路径:

      yolo train model=yolov8n.pt data=your_data.yaml epochs=100

      如果你想使用最新的YOLO26模型(推荐),可以直接使用:

      yolo train model=yolo26n.pt data=your_data.yaml epochs=100

      YOLO26提供了更好的性能和准确性,所以建议升级到新模型。

      @duoerku 请在GitHub上提出具体的技术问题,我们会在这里为你提供支持,无法提供私人联系方式。

    2. yizhihuo666GitHub

      Thank you for your reply. As you mentioned, the system has now been updated to the YOLOv11 algorithm. I would like to know how I should proceed if I want to train the yolov8n.pt model using the YOLOv8 algorithm. Do I need to revert to a previous version of Ultralytics?

    3. Glenn JocherUltralytics(編集済み)

      @yizhihuo666 You don't need to downgrade Ultralytics! The current version still fully supports YOLOv8 models. Simply specify the YOLOv8 model explicitly in your command:

      yolo train model=yolov8n.pt data=your_data.yaml epochs=100

      The latest Ultralytics version supports both YOLOv8 and YOLO26 models - it just defaults to the current default model (yolo26n.pt for detection) when no model is specified. By explicitly using model=yolov8n.pt, you'll train with the YOLOv8 architecture as intended.

  3. yizhihuo666GitHub

    May I ask which algorithm is used by default for training through the ultralytic command line, YOLOV8 or YOLOV11

    1. yizhihuo666GitHub

      I trained yolov8n.pt using the command line in 2023 and recently updated the latest version of the ultralytic library. I found that when I used the original command, it kept prompting me to download the yolo11n.pt file

  4. muhammadrizwan11GitHub

    I noticed some discrepancies in the training and validation commands under the CLI chapter of the Ultralytics YOLO documentation. The documented training command is written as '' yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 '' but the correct command should be '' yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01'' The word "detect" should be removed. Similarly, the validation command is written as '' yolo detect val model=yolo11n.pt'' , whereas the correct command should be '' yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640 ''. Again, "detect" is unnecessary, and important parameters such as the dataset (data=coco8.yaml), batch size (batch=1), and image size (imgsz=640) are missing. These inconsistencies might cause confusion for users following the documentation. Could the team review and update this section for accuracy? i am also doing working in yolo https://github.com/muhammadrizwan11

    1. Glenn JocherUltralytics

      @muhammadrizwan11 thank you for pointing this out! You're correct that the detect task argument is optional in CLI commands when the model type is specified, as YOLO can infer the task from the model name. Both yolo detect train and yolo train syntaxes are valid, but we'll standardize the docs to use the more concise form where possible. The validation example should indeed include explicit parameters for clarity, even though data is inherited from training. We'll update the documentation to reflect these points. For reference, see the CLI Syntax section in the Ultralytics YOLO documentation.

  5. aryakptGitHub

    HI, can you help me, how do i save the validation result if i use CLI? Because i clone github ultralytics directly

    1. Glenn JocherUltralytics(編集済み)

      @aryakpt validation results (metrics and plots such as the confusion matrix) are saved to a run folder like runs/detect/val by default. Add save_json=True to also save predictions as a COCO-format JSON file:

      yolo val model=path/to/best.pt data=data.yaml save_json=True

    2. aryakptGitHub(編集済み)

      thanks glenn for the response. but how can i access the val result like this using CLI? I want to save it in a variable

      best_model = YOLO(f"{output_path}/train{suffix}/weights/best.pt")
      val_result = best_model.val(data=data,  project=output_path)
      map50 = val_result.box.map50
    3. Glenn JocherUltralytics(編集済み)

      The CLI doesn't return variables, and save_json=True saves per-image predictions in COCO JSON format rather than the summary metrics. To access metrics like mAP50 programmatically, use the Python API:

      from ultralytics import YOLO
      
      metrics = YOLO("path/to/best.pt").val(data="data.yaml")
      print(metrics.box.map50)

      For details, see the Val mode documentation.

  6. sakrigGitHub

    Apple's NeuralEngine API accelerates models for all new Apple products with the M4 chips.

    Does the IOS CLI app use the NeuralEngine for all Apple M4 products? Does Ultralytics support the M4 processor on the latest Mac, MacMini, Mac Pro, iPad, iPhone ...?

    Seems straight forward to support the M4 NeuralEngine for all Apple products, but I have not tried.

    1. Glenn JocherUltralytics

      @sakrig ultralytics YOLO models can be exported to CoreML format for Apple devices, which leverages Apple's native acceleration including NeuralEngine where available. For M4 support, ensure you're using the latest PyTorch versions with macOS MPS backend. See our CoreML export docs for implementation details.

    1. Glenn JocherUltralytics

      @arasul42 yes, you can pass a hyperparameter file in the CLI using the cfg argument, like this: yolo train cfg=your_hyperparameters.yaml.

      2
    1. Glenn JocherUltralytics

      @duoerku 你好!很抱歉,我们无法通过电话或微信进行交流,但我们很乐意在这个问题跟踪系统中帮助你解决任何有关Ultralytics YOLO的问题。如果你有任何技术问题或需要进一步的帮助,请随时在这里详细说明,我们会尽快给你回复。感谢你的理解,并期待你的回复。🙂

    1. Paula DerrengerUltralytics

      您好,谢谢您对Ultralytics YOLOv8的兴趣!🚀 对于技术支持和进一步的沟通,请优先利用GitHub Issues功能提出您的问题或需求,这样我们能够提供更有条理且可追踪的支持。

      就您提供的信息来看,您似乎对命令行界面(CLI)的使用方法有兴趣,这里是可以通过几个简单示例来帮助您开始:

      1. 训练一个模型:

        yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01
      2. 运行预测:

        yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
      3. 验证模型:

        yolo val model=yolov8n.pt data=coco128.yaml batch=1 imgsz=640
      4. 导出模型为ONNX格式:

        yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128

      更多详细命令和选项,请参阅我们的官方文档。如果有更具体的问题或需求,欢迎在GitHub上开启一个issue进行讨论。🤗