명령줄 인터페이스#

Ultralytics 커맨드 라인 인터페이스(CLI)는 Python 환경 없이도 Ultralytics YOLO 모델을 사용할 수 있는 간단한 방법을 제공합니다. 이 CLI는 커스텀이나 Python 코드 없이 yolo 명령을 사용하여 터미널에서 직접 다양한 작업을 실행할 수 있도록 지원합니다.

yolo TASK MODE ARGS

구문 설명:

• TASK (선택 사항)은 [detect, segment, semantic, depth, classify, pose, obb] 중 하나입니다. 명시적으로 전달되지 않은 경우, YOLO는 모델 유형에서 TASK를 유추하려고 시도합니다.
• MODE (필수)은 [train, val, predict, export, track, benchmark] 중 하나입니다.
• ARGS(선택 사항)은 기본값을 재정의하는 imgsz=320와 같은 임의 개수의 사용자 지정 arg=value 쌍입니다. 사용 가능한 ARGS의 전체 목록을 보려면 Configuration 페이지와 default.yaml를 참조하십시오.

학습(Train)#

이미지 크기 640에서 100 에포크 동안 COCO8 데이터셋으로 YOLO를 학습합니다. 사용 가능한 모든 인수 목록은 Configuration 페이지를 참조하세요.

yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640

검증(Val)#

COCO8 데이터셋에서 학습된 모델의 accuracy를 검증합니다. model이 학습 data 및 인수를 모델 속성으로 유지하므로 인수가 필요하지 않습니다.

yolo detect val model=yolo26n.pt

추론(Predict)#

학습된 모델을 사용하여 이미지에 대한 예측을 수행합니다.

yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

내보내기(Export)#

모델을 ONNX 또는 CoreML과 같은 다른 형식으로 내보냅니다.

yolo export model=yolo26n.pt format=onnx

사용 가능한 Ultralytics 내보내기 형식은 아래 표에 있습니다. format 인수, 즉 format='onnx' 또는 format='engine'를 사용하여 모든 형식으로 내보낼 수 있습니다.

전체 export 세부 정보는 Export 페이지를 참조하세요.

기본 인수 재정의#

CLI에서 arg=value 쌍으로 전달하여 기본 인수를 재정의합니다.

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

기본 구성 파일 재정의#

cfg 인수를 사용하여 cfg=custom.yaml와 같은 새 파일을 전달하면 default.yaml 설정 파일을 완전히 재정의할 수 있습니다.

이렇게 하려면 먼저 현재 작업 디렉터리에 yolo copy-cfg 명령을 사용하여 default.yaml의 복사본을 만드십시오. 그러면 default_copy.yaml 파일이 생성됩니다.

그런 다음 이 예제의 imgsz=320과 같이 추가 인수와 함께 이 파일을 cfg=default_copy.yaml으로 전달할 수 있습니다:

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

솔루션 명령어#

Ultralytics는 CLI를 통해 일반적인 컴퓨터 비전 애플리케이션을 위한 즉시 사용 가능한 솔루션을 제공합니다. yolo solutions 명령은 객체 카운팅, 자르기, 블러 처리, 운동 모니터링, 히트맵, 인스턴스 세그멘테이션, VisionEye, 속도 추정, 대기열 관리, 분석, Streamlit 추론 및 영역 기반 추적을 제공합니다. 전체 카탈로그는 Solutions 페이지를 참조하세요. 지원되는 모든 솔루션과 그 인수를 나열하려면 yolo solutions help를 실행하세요.

yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file path

Ultralytics 솔루션에 대한 자세한 내용은 Solutions 페이지를 방문하세요.

FAQ#

모델 학습을 위해 Ultralytics YOLO 명령줄 인터페이스(CLI)를 어떻게 사용합니까?#

CLI를 사용하여 모델을 학습하려면 터미널에서 한 줄 명령을 실행합니다. 예를 들어, learning rate 0.01로 10 에포크 동안 감지 모델을 학습하려면 다음을 실행합니다:

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

이 명령은 특정 인수와 함께 train 모드를 사용합니다. 사용 가능한 모든 인수 목록은 Configuration Guide를 참조하세요.

Ultralytics YOLO CLI로 어떤 작업을 수행할 수 있습니까?#

Ultralytics YOLO CLI는 detection, segmentation, semantic segmentation, depth estimation, classification, pose estimation, oriented bounding box detection을 비롯한 다양한 작업을 지원합니다. 다음과 같은 작업도 수행할 수 있습니다:

• 모델 학습(Train a Model): yolo train data=<data.yaml> model=<model.pt> epochs=<num>을 실행합니다.
• 예측 실행(Run Predictions): yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>을 사용합니다.
• 모델 내보내기(Export a Model): yolo export model=<model.pt> format=<export_format>을 실행합니다.
• 솔루션 사용(Use Solutions): 기성 응용 프로그램을 위해 yolo solutions <solution_name>을 실행합니다.

다양한 인수로 각 작업을 사용자 지정할 수 있습니다. 자세한 구문과 예제는 Train, Predict, Export과 같은 해당 섹션을 참조하세요.

CLI를 사용하여 학습된 YOLO 모델의 정확도를 어떻게 검증합니까?#

모델의 accuracy를 검증하려면 val 모드를 사용합니다. 예를 들어, batch size 1과 이미지 크기 640으로 사전 학습된 감지 모델을 검증하려면 다음을 실행합니다:

yolo val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640

이 명령은 지정된 데이터셋에서 모델을 평가하고 mAP, precision, recall과 같은 성능 지표를 제공합니다. 자세한 내용은 Val 섹션을 참조하세요.

CLI를 사용하여 YOLO 모델을 어떤 형식으로 내보낼 수 있습니까?#

YOLO 모델을 ONNX, TensorRT, CoreML, TensorFlow 등을 포함한 다양한 형식으로 내보낼 수 있습니다. 예를 들어, 모델을 ONNX 형식으로 내보내려면 다음을 실행합니다:

yolo export model=yolo26n.pt format=onnx

내보내기 명령은 특정 배포 환경에 맞게 모델을 최적화하기 위한 수많은 옵션을 지원합니다. 사용 가능한 모든 내보내기 형식 및 해당 특정 매개변수에 대한 자세한 내용은 Export 페이지를 방문하세요.

Ultralytics CLI에서 미리 구축된 솔루션을 어떻게 사용합니까?#

Ultralytics는 solutions 명령을 통해 즉시 사용할 수 있는 솔루션을 제공합니다. 예를 들어 비디오에서 객체를 카운트하려면:

yolo solutions count source="path/to/video.mp4"

이러한 솔루션은 최소한의 구성이 필요하며 일반적인 컴퓨터 비전 작업에 즉각적인 기능을 제공합니다. 사용 가능한 모든 솔루션을 보려면 yolo solutions help을 실행하세요. 각 솔루션에는 필요에 맞게 사용자 지정할 수 있는 특정 매개변수가 있습니다.