Link to this section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することをサポートしており、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各項目の説明：
TASK（オプション）は、[detect, segment, semantic, 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を確認するか、yolo cfgを実行してください。
各項目の説明：
TASK（オプション）は、[detect, segment, semantic, classify, pose, obb]のいずれかです。明示的に指定されない場合、YOLOはモデルの種類からTASKを推測しようとします。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、ペア間はスペースで区切ります。引数の接頭辞として--を使用したり、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❌
Link to this sectionトレーニング#
COCO8データセットでYOLOを100エポック、画像サイズ640で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。
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=640Link to this section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はトレーニング時のdataと引数をモデルの属性として保持しているため、引数は不要です。
公式のYOLO26nモデルを検証します。
yolo detect val model=yolo26n.ptLink to this section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。
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'Link to this section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のエクスポート形式を以下の表に示します。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, quantize, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, quantize, dynamic, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, quantize, dynamic, simplify, workspace, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, quantize, nms, batch, device |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, keras, quantize, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, batch, device |
| TF Lite | tflite | yolo26n.tflite | ✅ | imgsz, quantize, nms, batch, data, fraction, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, quantize, data, fraction, device |
| TF.js | tfjs | yolo26n_web_model/ | ✅ | imgsz, quantize, nms, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, quantize, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, quantize, batch, device |
| IMX500 | imx | yolo26n_imx_model/ | ✅ | imgsz, quantize, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, quantize, data, fraction, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, quantize, data, fraction, device |
| DEEPX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, quantize, data, optimize, device |
| Qualcomm QNN | qnn | yolo26n_qnn.onnx | ✅ | imgsz, batch, name, quantize, data, fraction, device |
完全なexportの詳細については、Exportページを参照してください。
Link to this sectionデフォルト引数の上書き#
デフォルト引数を上書きするには、CLIでarg=valueペアとして渡します。
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=0.01Link to this section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として渡し、この例のようにimgsz=320などの追加引数を指定できます。
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320Link to this sectionソリューションコマンド#
Ultralyticsは、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CLI経由で提供します。yolo solutionsコマンドにより、オブジェクトカウント、クロッピング、ぼかし、ワークアウト監視、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が利用可能になります。全カタログについては、Solutionsページを参照してください。すべてのサポートされている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。
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 pathUltralyticsソリューションの詳細については、Solutionsページにアクセスしてください。
Link to this sectionよくある質問 (FAQ)#
Link to this section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。例えば、検出モデルを10エポック、learning rate 0.01でトレーニングするには、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、特定の引数を指定して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。
Link to this sectionUltralytics 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、classification、pose estimation、oriented bounding box detection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実行可能です。
- 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。 - 推論の実行:
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。 - ソリューションの利用: すぐに使えるアプリケーションとして
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可能です。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。
Link to this sectionCLI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。例えば、batch size 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、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、precision、recallなどのパフォーマンスメトリクスを提供します。詳細については、Valセクションを参照してください。
Link to this sectionCLI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=onnxexport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く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ページを参照してください。
Link to this sectionUltralytics 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ています。例えば、ビデオ内のオブジェクトをカウントするには、以下を実行します。
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済み、一般的なコンピュータビジョンの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。