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モデルを使用するための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各引数の説明:
TASK（オプション）は [detect, segment, classify, pose, obb, semantic] 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を参照するか、yolo cfgコマンドで確認してください。
各引数の説明:
TASK（オプション）は[detect, segment, classify, pose, obb, semantic]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の推論を試みます。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.
Arguments must be passed as arg=val pairs, separated by an equals = sign and delimited by spaces between pairs. Do not use -- argument prefixes or commas , between arguments.
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（Train）
COCO8データセットでYOLOを100エポック、画像サイズ640で学習させます。利用可能な引数の全リストについては、Configurationページを参照してください。
YOLO26nをCOCO8で100エポック、画像サイズ640で学習開始します。
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640検証（Val）
学習済みモデルのaccuracyをCOCO8データセットで検証します。modelは学習時のdataや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。
公式のYOLO26nモデルを検証します。
yolo detect val model=yolo26n.pt予測
学習済みモデルを使用して画像に対して推論を実行します。
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'エクスポート（Export）
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は以下の表の通りです。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' または 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, half, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, half, dynamic, simplify, opset, nms, batch, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, half, dynamic, int8, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, half, int8, nms, batch, device |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, keras, int8, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, batch, device |
| TF Lite | tflite | yolo26n.tflite | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, int8, data, fraction, device |
| TF.js | tfjs | yolo26n_web_model/ | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, int8, half, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, half, batch, device |
| IMX500 | imx | yolo26n_imx_model/ | ✅ | imgsz, int8, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, int8, data, fraction, device |
| DeepX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, int8, data, optimize, device |
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
デフォルトの引数を上書きするには、CLI で arg=value ペアとして渡します。
学習率 0.01 で検出モデルを 10 エポック学習させる場合:
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
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.
次に、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=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 コマンドを使用すると、オブジェクトのカウント、クロップ、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、およびゾーンベースの追跡機能が利用可能です。カタログの全容については 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 を実行してください。
動画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 pathUltralytics ソリューションの詳細については、Solutions ページを参照してください。
FAQ
モデルの学習に 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。例えば、学習率 0.01 で 10 エポック検出モデルを学習させるには、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。
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、classification、pose estimation、oriented bounding box detection、semantic segmentation を含む様々なタスクをサポートしています。また、以下の操作も可能です：
- 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として
yolo solutions <solution_name>を実行します。
様々な引数で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。
CLI 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、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 モデルをどのフォーマットにエクスポートできますか？
YOLO モデルを ONNX、TensorRT、CoreML、TensorFlow など、様々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 フォーマット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、特定のデプロイメント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フォーマットとその特定のパラメータに関する詳細については、Export ページを参照してください。
Ultralytics CLI の構築済み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、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。