YOLO Vision 2026:

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イス (CLI) を使用すると、Python 環境を必要とせずに 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
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 (オプション) 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（オプション）は、デフォルトを上書きする imgsz=320 のような任意の数のカスタム arg=value ペアです。

すべての ARGS については、完全な Configuration Guide を参照するか、yolo cfg を使用してください。

各項目の説明：

  • TASK (オプション) は [detect, segment, semantic, depth, classify, pose, obb] のいずれかです。明示的に渡されない場合、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（オプション）は、デフォルトを上書きする imgsz=320 のような任意の数のカスタム arg=value ペアです。利用可能な ARGS の完全なリストについては、Configuration ページおよび 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、等号 = で区切り、ペアの間はスペースで区切る必要があります。-- 引数プレフィックスや引数間のカンマ , は使用しないでください。

  • 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#

画像サイズ 640、100 エポックで COCO8 データセット上で YOLO を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。

例

COCO8でYOLO26nのトレーニングを100エポック、画像サイズ640で開始します。

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

検証#

COCO8 データセットでトレーニング済みモデルの accuracy を検証します。model がトレーニングの data と引数をモデル属性として保持するため、引数は必要ありません。

例

公式のYOLO26nモデルを検証します。

yolo detect val model=yolo26n.pt

予測#

トレーニング済みモデルを使用して画像に対する推論を実行します。

例

公式の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などの異なる形式にエクスポートします。

例

公式の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下の表にあります。format 引数（つまり、format='onnx' または format='engine'）を使用して、任意の形式にエクスポートできます。

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
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz、keras、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
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
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz、name、quantize、data、fraction、simplify、conf、iou
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms

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 ペアとして渡すことで、デフォルトの引数を上書きします。

ヒント

検出モデルを10エポック、学習率0.01でトレーニングします。

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#

cfg 引数を使用して新しいファイルを渡すことで、default.yaml 設定ファイルを完全に上書きします（例：cfg=custom.yaml）。

これを行うには、まず yolo copy-cfg コマンドを使用し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。これにより default_copy.yaml ファイルが作成されます。

その後、このファイルを cfg=default_copy.yaml として、この例の imgsz=320 のような追加の引数と一緒に渡すことができます:

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、オブジェクトのカウント、クロップ、ブラー、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、アナリティクス、Streamlit 推論、およびゾーンベースのトラッキングを公開しています。完全な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 を実行します。

例

ビデオまたはライブストリーム内のオブジェクトをカウントします。

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 (FAQ)#

モデルトレーニングのためにUltralytics YOLOコマンドラインインターフェース（CLI）を使用するにはどうすればよいですか？#

CLI を使用してモデルをトレーニングするには、ターミナルで 1 行のコマンドを実行します。たとえば、learning rate 0.01 で 10 エポックの検出モデルをトレーニングするには、次を実行します:

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

このコマンドは、特定の引数を持つ 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でどのようなタスクを実行できますか？#

Ultralytics YOLO CLI は、detection、segmentation、semantic segmentation、depth estimation、classification、pose estimation、および oriented bounding box detection を含むさまざまなタスクをサポートしています。次のような操作も実行できます:

  • モデルのトレーニング: 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: すぐに使用できるアプリケーションのために yolo solutions <solution_name> を実行します。

さまざまな引数で各タスクをカスタマイズします。詳細な構文と例については、Train、Predict、Export などのそれぞれのセクションを参照してください。

CLIを使用してトレーニング済み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 accuracy を検証するには、val モードを使用します。たとえば、batch size 1、画像サイズ 640 で事前トレーニング済み検出モデルを検証するには、次を実行します:

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、precision、recall 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の特定のパラメータの詳細については、Export ページをご覧ください。

Ultralytics CLIで事前構築済みの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。たとえば、動画内のオブジェクト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の機能を提供します。利用可能なすべてのソリューションを表示するには、yolo solutions help を実行します。各ソリューションには、ニーズに合わせてカスタマイズできる特定のパラメータがあります。

貢献者
GLglenn-jocher27AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

コメント