コンテンツへスキップ

コマンドラインインターフェイスの使用法

YOLO 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、シンプルなシングルラインコマンドを可能にする。CLI カスタマイズやPython コードは必要ない。単純にターミナルから yolo コマンドを使用している。



見るんだ： MasteringUltralytics YOLOv8 ：CLI

例

Ultralytics yolo コマンドは以下の構文を使う： 

yolo TASK MODE ARGS

Where   TASK (optional) is one of [detect, segment, classify, pose, obb]
        MODE (required) is one of [train, val, predict, export, track, benchmark]
        ARGS (optional) are any number of custom 'arg=value' pairs like 'imgsz=320' that override defaults.
すべてのARGSを見る 設定ガイド または yolo cfg

検出モデルを初期学習率0.01で10エポック学習させる。 

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

事前に学習させたセグメンテーションモデルを使って、画像サイズ320のYouTube動画を予測する： 

yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

バッチサイズ1、画像サイズ640で事前学習された検出モデル： 

yolo val model=yolov8n.pt data=coco8.yaml batch=1 imgsz=640

YOLOv8n 分類モデルを、画像サイズ 224 x 128 でONNX フォーマットにエクスポートする（TASK は不要）。 

yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128

特別なコマンドを実行して、バージョンの確認、設定の表示、チェックの実行などを行う： 

yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg

どこでだ：

  • TASK (オプション) は次のいずれかです。 [detect, segment, classify, pose, obb].明示的に渡されていない場合、YOLOv8 はその値を推測しようとします。 TASK モデルタイプから
  • MODE (必須) は次のいずれかである。 [train, val, predict, export, track, benchmark]
  • ARGS (オプション) は、任意の数のカスタム arg=value のようなペア。 imgsz=320 デフォルトを上書きする。利用可能な ARGS を参照のこと。 構成 ページと defaults.yaml

警告

引数は arg=val ペア、イコールで分割 = 記号とスペースで区切られる ペアの間にを使用しないでください。 -- 引数の接頭辞またはコンマ , 引数間の

  • yolo predict model=yolov8n.pt imgsz=640 conf=0.25   ✅
  • yolo predict model yolov8n.pt imgsz 640 conf 0.25   ❌
  • yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25   ❌

電車

COCO8データセットでYOLOv8n 、画像サイズ640で100エポック学習します。利用可能な引数の全リストは設定ページを参照。

例

COCO8でYOLOv8n 、画像サイズ640で100エポックのトレーニングを開始。 

yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

中断していたトレーニングを再開する。 

yolo detect train resume model=last.pt

バル

COCO8 データセットで学習済みYOLOv8n モデルの精度を検証する。として引数を渡す必要はない。 model トレーニング data と引数をモデル属性として使用する。

例

YOLOv8n 公式モデルを検証する。 

yolo detect val model=yolov8n.pt

カスタム訓練されたモデルを検証する。 

yolo detect val model=path/to/best.pt

予測する

学習済みのYOLOv8n モデルを使って、画像の予測を実行する。

例

公式YOLOv8n モデルで予測する。 

yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

カスタムモデルで予測する。 

yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'

輸出

YOLOv8n 、ONNX 、CoreML などの異なるフォーマットにエクスポートします。

例

YOLOv8n 公式モデルをONNX フォーマットにエクスポートします。 

yolo export model=yolov8n.pt format=onnx

カスタムトレーニングされたモデルをONNX 形式でエクスポートします。 

yolo export model=path/to/best.pt format=onnx

利用可能なYOLOv8 エクスポート形式は以下の表の通りです。どのフォーマットでも format 引数、すなわち format='onnx' または format='engine'.

フォーマット format 議論 モデル メタデータ 論争
PyTorch - yolov8n.pt ✅ -
TorchScript torchscript yolov8n.torchscript ✅ imgsz, optimize, batch
ONNX onnx yolov8n.onnx ✅ imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolov8n_openvino_model/ ✅ imgsz, half, int8, batch
TensorRT engine yolov8n.engine ✅ imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolov8n.mlpackage ✅ imgsz, half, int8, nms, batch
TF SavedModel saved_model yolov8n_saved_model/ ✅ imgsz, keras, int8, batch
TF GraphDef pb yolov8n.pb ❌ imgsz, batch
TF ライト tflite yolov8n.tflite ✅ imgsz, half, int8, batch
TF エッジTPU edgetpu yolov8n_edgetpu.tflite ✅ imgsz
TF.js tfjs yolov8n_web_model/ ✅ imgsz, half, int8, batch
PaddlePaddle paddle yolov8n_paddle_model/ ✅ imgsz, batch
NCNN ncnn yolov8n_ncnn_model/ ✅ imgsz, half, batch

詳細を見る export 詳細は 輸出 ページを参照されたい。

デフォルト引数の上書き

デフォルトの引数は、CLI で引数として渡すだけでオーバーライドできる。 arg=value 組。

の検出モデルを訓練する。 10 epochs と learning_rate の 0.01 

yolo detect train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

事前に学習させたセグメンテーションモデルを使って、画像サイズ320のYouTube動画を予測する： 

yolo segment predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

バッチサイズ1と画像サイズ640で事前学習された検出モデルを検証する： 

yolo detect val model=yolov8n.pt data=coco8.yaml batch=1 imgsz=640

デフォルトの設定ファイルを上書きする

をオーバーライドできます。 default.yaml を持つ新しいファイルを渡すことで、コンフィグファイル全体を変更できる。 cfg すなわち cfg=custom.yaml.

これを行うには、まず default.yaml 現在の作業ディレクトリに yolo copy-cfg コマンドを使用している。

これによって default_copy.yamlとして渡すことができる。 cfg=default_copy.yaml のような追加引数とともに imgsz=320 この例では

例

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

よくあるご質問

モデルトレーニングにUltralytics YOLOv8 コマンドラインインターフェイス (CLI) を使用するにはどうすればよいですか？

CLI を使ってYOLOv8 モデルを訓練するには、ターミナルで単純な1行コマンドを実行すればよい。例えば、検出モデルを学習率0.01で10エポック訓練するには、次のように実行する：

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

このコマンドは train モードに特定の引数を指定する。利用可能な引数の一覧は 設定ガイド.

Ultralytics YOLOv8 CLI ではどのような作業ができますか？

Ultralytics YOLOv8 CLI 検出、セグメンテーション、分類、検証、予測、エクスポート、トラッキングなど、さまざまなタスクをサポートする。例えば

  • モデルを訓練する:走る yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
  • ラン予想：使う yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
  • モデルのエクスポート:実行 yolo export model=<model.pt> format=<export_format>.

各タスクは様々な引数でカスタマイズできる。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 を使って学習させたYOLOv8 モデルの精度を検証するにはどうすればよいですか？

YOLOv8 、モデルの精度を検証する。 val モードを使用する。たとえば、バッチサイズ1、画像サイズ640の事前学習済み検出モデルを検証するには、次のように実行する：

yolo val model=yolov8n.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、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。

CLI を使って、YOLOv8 のモデルをどのようなフォーマットでエクスポートできますか？

YOLOv8 モデルは、ONNX 、CoreML 、TensorRT など、さまざまな形式にエクスポートすることができます。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、次のように実行します：

yolo export model=yolov8n.pt format=onnx

詳細は輸出のページをご覧ください。

YOLOv8 CLI コマンドをカスタマイズしてデフォルトの引数を上書きするには？

YOLOv8 CLI コマンドのデフォルト引数を上書きするには、次のように渡します。 arg=value のペアである。例えば、カスタム引数を使ってモデルをトレーニングするには、次のようにする：

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

使用可能な引数の全リストとその説明については、コンフィギュレーション・ガイドを参照してください。デフォルト引数の上書き」のセクションにあるように、引数が正しくフォーマットされていることを確認してください。


📅 Created 10 months ago ✏️ Updated 3 days ago
MatthewNoyce アンビシャス・オクトパス jk4e グレン・ヨッハー ブルハンQ リズワン・ムナワール アユシュエクセル 笑q shuizhuyuanluo@126.com

コメント