Meet YOLO26: next-gen vision AI.

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）を使用すると、Python環境を必要とせずにUltralytics YOLOモデルを簡単かつ直接的に利用できます。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
例

Ultralyticsのyoloコマンドは以下の構文を使用します：

yolo TASK MODE ARGS

各引数の説明：

  • 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 custom arg=value pairs like imgsz=320 that 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。

各引数の説明：

  • 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 custom arg=value pairs like imgsz=320 that override defaults. For a full list of available ARGS, see the Configuration page and default.yaml.
警告

引数はarg=valペアとして渡し、等号=で区切り、ペア間はスペースで区切る必要があります。--のような引数プレフィックスや、引数間にコンマ,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 ❌

Link to this section学習#

COCO8データセットでYOLOを100エポック、画像サイズ640で学習します。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の学習を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

Link to this section検証#

COCO8データセットで学習済みモデルのaccuracyを検証します。modelはトレーニング時のdataと引数をモデル属性として保持しているため、引数は不要です。

例

公式のYOLO26nモデルを検証します：

yolo detect val model=yolo26n.pt

Link to this section予測#

学習済みモデルを使用して画像に対する予測を実行します。

例

公式のYOLO26nモデルで予測します：

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。

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のエクスポート形式を下表に示します。format引数を使用して、format='onnx'やformat='engine'のように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, half, dynamic, optimize, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, half, int8, dynamic, simplify, opset, nms, batch, data, fraction, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, half, dynamic, int8, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, half, int8, nms, batch, device
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, keras, int8, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, batch, device
TF Litetfliteyolo26n.tflite✅imgsz, half, int8, nms, batch, data, fraction, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, int8, data, fraction, device
TF.jstfjsyolo26n_web_model/✅imgsz, half, int8, nms, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, int8, half, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, half, batch, device
IMX500imxyolo26n_imx_model/✅imgsz, int8, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, int8, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, int8, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, int8, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn_model/✅imgsz, batch, name, int8, data, fraction, device

exportの詳細は、Exportページを参照してください。

Link to this sectionデフォルト引数のオーバーライド#

CLIでarg=valueのペアとして渡すことで、デフォルトの引数をオーバーライドできます。

ヒント

学習率0.01で10エポックの検出モデルを学習します：

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

Link to this sectionデフォルト設定ファイルのオーバーライド#

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などの追加の引数と一緒に使用できます：

例
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320

Link to this section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、オブジェクトカウント、クロッピング、ぼかし処理、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リストアップするには、yolo solutions helpを実行してください。

例

ビデオや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ページにアクセスしてください。

Link to this sectionFAQ#

Link to this sectionUltralytics 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す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、特定の引数とともにtrainモードを使用します。利用可能な引数の全リストについては、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、物体検出、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、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。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ついては、yolo solutions <solution_name>を実行します。

さまざまな引数を使用して各タスクを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。

Link to this sectionCLI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。

Link to this sectionCLIを使用してYOLOモデルをどのフォーマットにエクスポートできますか？#

YOLOモデルは、ONNX、TensorRT、CoreML、TensorFlowなど、さまざまなフォーマット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の構築済みソリューションはどのように使用しますか？#

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、ビデオ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構成で済み、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。

コントリビューター
GLglenn-jocher27AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

コメント