Ultralytics YOLO27:
Get Started

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）を使うと、Pythonコードを記述せずにUltralytics YOLOモデルを簡単に使用できます。CLIでは、yoloコマンドを使用して、さまざまなタスクをターミナルから直接実行できます。



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YOLOを画像サイズ640、100エポックで学習します。利用可能な引数の一覧については、設定ページを参照してください。

例

COCO8でYOLO26nを画像サイズ640、100エポックで学習します。

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

検証#

COCO8データセットで学習済みモデルの精度を検証します。カスタムモデルでは、dataを省略すると、学習時のdataが再利用されます。公式の重みでは、代わりにタスクのデフォルト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

利用可能なUltralyticsのエクスポート形式を以下の表に示します。format引数を使って、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, batch, device
IMX500imxyolo26n_imx_model/✅imgsz, quantize, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, 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

nms=None は外部NMS向けにraw出力をデフォルトで使用します。利用可能なNMSフリーヘッドを選択するには、nms=Falseを設定してください。未対応のフォーマットでは、ネイティブの出力パス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を埋め込めるフォーマットを示しています。

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、バッチサイズ1、画像サイズ640で事前学習済みの検出モデルを検証するには、次のコマンドを実行します。

    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。

コントリビューター
GLglenn-jocher28RAraimbekovm5AMambitious-octopus3BUBurhan-Q3JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

コメント