コマンドラインインターフェース
Ultralytics コマンドラインインターフェース (CLI) は、Python 環境を必要とせずに Ultralytics YOLO モデルを使用する簡単な方法を提供します。CLI では、yolo コマンドを使用してターミナルから直接さまざまなタスクを実行でき、カスタマイズや Python コードは不要です。
Watch: Mastering Ultralytics YOLO: CLI
Ultralytics の yolo コマンドは以下の構文を使用します。
yolo TASK MODE ARGS解説:
TASK(任意) は [detect, segment, 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(optional) are any number of customarg=valuepairs likeimgsz=320that override defaults.
すべての ARGS については、完全な Configuration Guide を参照するか、yolo cfg を実行してください。
解説:
TASK(任意) は[detect, segment, classify, pose, obb]のいずれかです。明示的に指定しない場合、YOLO はモデルタイプからTASKを推論しようとします。MODE(必須) は[train, val, predict, export, track, benchmark]のいずれかです。ARGS(optional) are any number of customarg=valuepairs likeimgsz=320that override defaults. For a full list of availableARGS, see the Configuration page anddefault.yaml.
引数は arg=val ペアとして渡す必要があり、等号 = で区切り、各ペアはスペースで区切ってください。引数の前に -- を付けたり、引数間にコンマ , 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❌
トレーニング
COCO8 データセットを使用して、YOLO を画像サイズ 640 で 100 エポックトレーニングします。利用可能な引数の完全なリストについては、Configuration ページを参照してください。
YOLO26n を COCO8 上で、画像サイズ 640、100 エポックでトレーニング開始します。
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640検証
COCO8 データセット上でトレーニング済みモデルの accuracy を検証します。model はトレーニング時の data や引数をモデル属性として保持しているため、引数は不要です。
公式 YOLO26n モデルを検証します。
yolo detect val model=yolo26n.pt推論 (Predict)
トレーニング済みモデルを使用して画像に対する予測を実行します。
公式 YOLO26n モデルで予測を実行します。
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 などの異なる形式にエクスポートします。
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利用可能な Ultralytics エクスポート形式は以下の表のとおりです。format 引数を使用して任意の形式にエクスポートできます（例: format='onnx' や format='engine'）。
| 形式 | format 引数 | モデル | メタデータ | 引数 |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, half, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, half, dynamic, simplify, opset, nms, batch, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, half, dynamic, int8, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, half, int8, nms, batch, device |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, keras, int8, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, batch, device |
| TF Lite | tflite | yolo26n.tflite | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, int8, data, fraction, device |
| TF.js | tfjs | yolo26n_web_model/ | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, int8, half, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, half, batch, device |
| IMX500 | imx | yolo26n_imx_model/ | ✅ | imgsz, int8, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, int8, data, fraction, device |
| DeepX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, int8, data, optimize, device |
exportの詳細については、Exportページを参照してください。
デフォルト引数の上書き
CLIでarg=valueのペアとして渡すことで、デフォルト引数を上書きできます。
検出モデルを学習率0.01で10エポック学習させる場合:
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01デフォルト設定ファイルの上書き
Override the default.yaml configuration file entirely by passing a new file with the cfg argument, such as cfg=custom.yaml.
To do this, first create a copy of default.yaml in your current working directory with the yolo copy-cfg command, which creates a default_copy.yaml file.
その後、このファイルをcfg=default_copy.yamlとして、この例のような追加の引数（imgsz=320など）と一緒に渡すことができます:
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機能を提供します。全カタログについてはSolutionsページを参照してください。サポートされているすべてのソリューションとその引数を一覧表示するには、yolo solutions helpを実行してください。
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 pathUltralyticsソリューションの詳細については、Solutionsページを参照してください。
FAQ
Ultralytics YOLOコマンドラインインターフェース（CLI）を使用してモデルを学習させるにはどうすればよいですか？
CLIを使用してモデルを学習するには、ターミナルで1行のコマンドを実行します。例えば、学習率 0.01で10エポックの検出モデルを学習させるには、以下を実行します:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01このコマンドは、特定の引数を伴うtrainモードを使用します。利用可能な引数の完全なリストについては、Configuration Guideを参照してください。
Ultralytics YOLO CLIではどのようなタスクを実行できますか？
Ultralytics YOLO CLIは、検出、セグメンテーション、分類、姿勢推定、および指向性バウンディングボックス検出など、さまざまなタスクをサポートしています。また、以下のような操作も可能です:
- 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には
yolo solutions <solution_name>を実行します。
各タスクはさまざまな引数でカスタマイズできます。詳細な構文と例については、Train、Predict、Exportなどの各セクションを参照してください。
CLIを使用して学習済みYOLOモデルの精度を検証するにはどうすればよいですか？
モデルの精度を検証するには、valモードを使用します。例えば、バッチサイズ 1、画像サイズ640で事前学習済み検出モデルを検証するには、以下を実行します:
yolo val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640このコマンドは、指定され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提供します。詳細については、Valセクションを参照してください。
CLIを使用してYOLOモデルをどの形式にエクスポートできますか？
YOLOモデルは、ONNX、TensorRT、CoreML、TensorFlowなど、さまざまな形式にエクスポートできます。例えば、モデルをONNX形式にエクスポートするには、以下を実行します:
yolo export model=yolo26n.pt format=onnxエクスポートコマンドは、特定のデプロイ環境に合わせてモデルを最適化するための多数のオプションをサポートしています。利用可能なすべてのエクスポート形式とそれぞれのパラメータの詳細については、Exportページを参照してください。
Ultralytics CLIで組み込みソリューションを使用するにはどうすればよいですか？
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。例えば、動画内の物体をカウントするには:
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済み、一般的なコンピュータビジョンタスクに対して即座に機能を提供します。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、ニーズに合わせてカスタマイズ可能な特定のパラメータがあります。