Ultralytics YOLO27:

コマンド ライン インターフェイス#

Ultralytics コマンド ライン インターフェイス (CLI) は、Python 環境を必要とせずにはじめて 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端末から直接さまざまなタスクの実行をサポートし、カスタマイズや Python コードを必要としません。



Watch: Mastering Ultralytics YOLO: CLI
例

Ultralyticsのyoloコマンドでは、次の構文を使用します。

yolo TASK MODE ARGS

内容:

  • 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。

すべての引数 (ARGS) については、完全な設定ガイドまたは yolo cfg を参照してください。

内容:

  • 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 (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。利用可能なすべての ARGS の完全なリストについては、設定ページおよび default.yaml を参照してください。
警告

引数は arg=val ペアとして渡す必要があり、等号 = 記号で区切り、ペアの間をスペースで区切ります。引数の間に -- 引数プレフィックスやカンマ , を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、設定ページを参照してください。

例

画像サイズ 640、100 エポックで COCO8 上で 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#

COCO8 データセット上でトレーニング済みモデルの精度を検証します。model はトレーニングの 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

推論#

トレーニング済みモデルを使用して画像に対して予測を実行します。

例

公式の 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。

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 引数を使用すると、任意の形式にエクスポートできます。つまり、format='onnx' または format='engine' です。

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
Apple Core AIcoreaiyolo26n.aimodel✅imgsz、batch、quantize

nms=None は、外部 NMS の場合は生出力をデフォルトとします。nms=False を設定して利用可能な NMS なしのヘッドを選択します。サポートされていないフォーマットは、ネイティブ出力パスにフォールバックします。上記の nms エントリは、nms=True を使用して NMS を埋め込むことができるフォーマットを特定します。

完全な export の詳細については、エクスポート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

学習率 0.01 で 10 エポックの検出モデルを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の書き#

cfg 引数を使用して新しいファイルを渡すことにより、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 として渡し、この例の imgsz=320 のような追加の引数を含めることができます。

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ー ビジョン アプリケーション向けの写真ですぐに使用でき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、クロッピング、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、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、ソリューション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

動画またはライブ 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、ソリューションページにアクセスしてください。

FAQ#

  • 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、学習率 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、特定の引数とともに 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、設定ガイドを参照してください。

  • 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、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。次のような操作を実行することもできます。

    • 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。

  • 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 および画像サイズ 640 で事前学習済み検出モデルを検証するには、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上でモデルを評価し、mAP、精度 (precision)、再現率 (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。

  • YOLO モデルを ONNX、TensorRT、CoreML、TensorFlow など、さまざまな形式にエクスポートできます。たとえば、モデルを ONNX 形式にエクスポートするには、次を実行します。

    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、エクスポートページにアクセスしてください。

  • Ultralytics は solutions コマンドを通じてすぐに使用でき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、次を実行します。

    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を必要とし、一般的なコンピューター ビジョン タスクに対する即時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確認するには、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