Meet YOLO26: next-gen vision AI.

Link to this section명령줄 인터페이스#

Ultralytics 명령줄 인터페이스(CLI)는 Python 환경 없이도 Ultralytics YOLO 모델을 사용할 수 있는 간편한 방법을 제공합니다. 이 CLI를 사용하면 터미널에서 yolo 명령어를 통해 사용자 지정이나 Python 코드 없이도 다양한 작업을 직접 수행할 수 있습니다.



Watch: Mastering Ultralytics YOLO: CLI
예시

Ultralytics yolo 명령어는 다음 구문을 사용합니다:

yolo TASK MODE ARGS

항목별 설명:

  • TASK (선택 사항): [detect, segment, semantic, classify, pose, obb] 중 하나
  • MODE (필수): [train, val, predict, export, track, benchmark] 중 하나
  • ARGS (optional) are any number of custom arg=value pairs like imgsz=320 that override defaults.

전체 ARGS는 Configuration Guide 또는 yolo cfg 명령어를 통해 확인하십시오.

항목별 설명:

  • TASK (선택 사항)는 [detect, segment, semantic, classify, pose, obb] 중 하나입니다. 명시적으로 전달되지 않으면 YOLO는 모델 유형에서 TASK를 추론하려고 시도합니다.
  • MODE (필수)는 [train, val, predict, export, track, benchmark] 중 하나입니다.
  • 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.
경고

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 ❌

Link to this section학습 (Train)#

COCO8 데이터셋에서 100 epoch 동안 이미지 크기 640으로 YOLO를 학습합니다. 사용 가능한 전체 인수 목록은 Configuration 페이지를 참조하십시오.

예시

COCO8에서 100 epoch 동안 이미지 크기 640으로 YOLO26n 학습을 시작합니다:

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

Link to this section검증 (Val)#

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

예시

공식 YOLO26n 모델을 검증합니다:

yolo detect val model=yolo26n.pt

Link to this section예측 (Predict)#

학습된 모델을 사용하여 이미지에 대한 예측을 수행합니다.

예시

공식 YOLO26n 모델로 예측을 수행합니다:

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

Link to this section내보내기 (Export)#

모델을 ONNX 또는 CoreML과 같은 다른 형식으로 내보냅니다.

예시

공식 YOLO26n 모델을 ONNX 형식으로 내보냅니다:

yolo export model=yolo26n.pt format=onnx

사용 가능한 Ultralytics 내보내기 형식은 아래 표와 같습니다. format 인수를 사용하여 모든 형식으로 내보낼 수 있습니다 (예: format='onnx' 또는 format='engine').

형식format 인수모델메타데이터인수
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

전체 export 상세 정보는 Export 페이지를 참조하십시오.

Link to this section기본 인수 재정의#

CLI에서 arg=value 쌍으로 전달하여 기본 인수를 재정의합니다.

팁

학습률 0.01로 10 에포크 동안 탐지 모델을 학습합니다:

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

Link to this section기본 설정 파일 재정의#

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.

You can then pass this file as cfg=default_copy.yaml along with any additional arguments, like imgsz=320 in this example:

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

Link to this section솔루션 명령어#

Ultralytics는 CLI를 통해 일반적인 컴퓨터 비전 애플리케이션을 위한 즉시 사용 가능한 솔루션을 제공합니다. yolo solutions 명령어는 객체 카운팅, 크로핑, 블러링, 운동 모니터링, 히트맵, 인스턴스 분할, VisionEye, 속도 추정, 대기열 관리, 분석, Streamlit 추론 및 구역 기반 추적 기능을 제공합니다. 전체 목록은 Solutions 페이지를 참조하십시오. 지원되는 모든 솔루션과 해당 인수를 나열하려면 yolo solutions help를 실행하십시오.

예시

비디오 또는 실시간 스트림에서 객체를 카운트합니다:

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

Ultralytics 솔루션에 대한 자세한 내용은 Solutions 페이지를 방문하십시오.

Link to this sectionFAQ#

Link to this section모델 학습을 위해 Ultralytics YOLO 명령 줄 인터페이스(CLI)를 어떻게 사용합니까?#

CLI를 사용하여 모델을 학습하려면 터미널에서 한 줄 명령어를 실행하십시오. 예를 들어, 학습률 0.01로 10 에포크 동안 탐지 모델을 학습하려면 다음을 실행하십시오:

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

이 명령어는 특정 인수를 가진 train 모드를 사용합니다. 사용 가능한 전체 인수 목록은 Configuration Guide를 참조하십시오.

Link to this sectionUltralytics YOLO CLI로 어떤 작업을 수행할 수 있습니까?#

Ultralytics YOLO CLI는 탐지, 분할, 시맨틱 분할, 분류, 포즈 추정, 지향 경계 상자 탐지를 포함한 다양한 작업을 지원합니다. 또한 다음과 같은 작업을 수행할 수 있습니다:

  • 모델 학습: yolo train data=<data.yaml> model=<model.pt> epochs=<num>을 실행하십시오.
  • 예측 실행: yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>를 사용하십시오.
  • 모델 내보내기: yolo export model=<model.pt> format=<export_format>을 실행하십시오.
  • 솔루션 사용: 즉시 사용 가능한 애플리케이션을 위해 yolo solutions <solution_name>을 실행하십시오.

다양한 인수로 각 작업을 사용자 지정하십시오. 자세한 구문 및 예시는 Train, Predict, Export와 같은 각 섹션을 참조하십시오.

Link to this sectionCLI를 사용하여 학습된 YOLO 모델의 정확도를 어떻게 검증합니까?#

모델의 정확도를 검증하려면 val 모드를 사용하십시오. 예를 들어, 배치 크기 1과 이미지 크기 640으로 사전 학습된 탐지 모델을 검증하려면 다음을 실행하십시오:

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

이 명령어는 지정된 데이터셋에서 모델을 평가하며 mAP, 정밀도, 재현율과 같은 성능 지표를 제공합니다. 자세한 내용은 Val 섹션을 참조하십시오.

Link to this sectionCLI를 사용하여 어떤 형식으로 YOLO 모델을 내보낼 수 있습니까?#

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

yolo export model=yolo26n.pt format=onnx

export 명령어는 특정 배포 환경에 맞게 모델을 최적화하기 위한 다양한 옵션을 지원합니다. 사용 가능한 모든 내보내기 형식 및 관련 매개변수에 대한 자세한 내용은 Export 페이지를 방문하십시오.

Link to this sectionUltralytics CLI에서 미리 구축된 솔루션을 어떻게 사용합니까?#

Ultralytics는 solutions 명령어를 통해 즉시 사용 가능한 솔루션을 제공합니다. 예를 들어, 비디오에서 객체를 카운트하려면 다음을 실행하십시오:

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

이러한 솔루션은 최소한의 설정만 필요로 하며 일반적인 컴퓨터 비전 작업에 즉각적인 기능을 제공합니다. 사용 가능한 모든 솔루션을 보려면 yolo solutions help를 실행하십시오. 각 솔루션에는 필요에 맞게 조정할 수 있는 특정 매개변수가 있습니다.

기여자
GLglenn-jocher27AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

댓글