Ultralytics YOLO27:

명령 줄 인터페이스#

Ultralytics 명령 줄 인터페이스(CLI)는 Python 환경 없이도 Ultralytics YOLO 모델을 사용할 수 있는 간단한 방법을 제공합니다. CLI는 사용자 지정이나 Python 코드 없이 yolo 명령을 사용하여 터미널에서 직접 다양한 작업을 실행할 수 있도록 지원합니다.



Watch: Mastering Ultralytics YOLO: CLI
예시

Ultralytics yolo 명령은 다음 구문을 사용합니다:

yolo TASK MODE ARGS

다음과 같습니다:

  • TASK (선택 사항)은 [detect, segment, semantic, depth, classify, pose, obb] 중 하나입니다.
  • MODE (필수)은 [train, val, predict, export, track, benchmark] 중 하나입니다.
  • ARGS (선택 사항)은 기본값을 재정의하는 imgsz=320 같은 임의 개수의 사용자 지정 arg=value 쌍입니다.

모든 인수는 전체 구성 가이드에서 확인하거나 yolo cfg을 사용하여 확인할 수 있습니다.

다음과 같습니다:

  • 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=320 같은 임의 개수의 사용자 지정 arg=value 쌍입니다. 사용 가능한 모든 ARGS 전체 목록은 구성 페이지와 default.yaml를 참조하십시오.
경고

인수는 등호(=)로 구분하고 쌍 사이를 공백으로 구분한 arg=val 쌍으로 전달해야 합니다. -- 인수 접두사나 인수 간의 쉼표(,)를 사용하지 마십시오.

  • 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 ❌

학습#

이미지 크기 640으로 COCO8 데이터셋에서 100에폭 동안 YOLO를 학습합니다. 사용 가능한 모든 인수 목록은 구성 페이지를 참조하십시오.

예시

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

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

검증#

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

예시

공식 YOLO26n 모델을 검증합니다:

yolo detect val model=yolo26n.pt

Prediction#

학습된 모델을 사용하여 이미지에 대한 예측을 실행합니다.

예시

공식 YOLO26n 모델로 예측합니다:

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

내보내기#

모델을 ONNX나 CoreML 같은 다른 형식으로 내보냅니다.

예시

공식 YOLO26n 모델을 ONNX 형식으로 내보냅니다:

yolo export model=yolo26n.pt format=onnx

사용 가능한 Ultralytics 내보내기 형식은 아래 표에 있습니다. format 인수(예: format='onnx' 또는 format='engine')를 사용하여 모든 형식으로 내보낼 수 있습니다.

형식format Argument모델MetadataArguments
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, quantize, dynamic, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, quantize, dynamic, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, quantize, nms, batch, device
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, keras, quantize, opset, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, opset, batch, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, quantize, opset, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, dynamic, quantize, simplify, opset, nms, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, quantize, batch, device
IMX500imxyolo26n_imx_model/✅imgsz, quantize, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, quantize, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, quantize, simplify, opset, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize

nms=None은(는) 외부 NMS에 대해 기본적으로 원시 출력을 사용합니다. 사용 가능한 NMS 프리 헤드를 선택하려면 nms=False을(를) 설정하세요. 지원되지 않는 형식은 기본 출력 경로로 대체됩니다. 위의 nms 항목은 nms=True(으)로 NMS를 임베드할 수 있는 형식을 식별합니다.

전체 export 세부 정보는 내보내기 페이지를 참조하십시오.

기본 인수 재정의#

CLI에서 arg=value 쌍으로 전달하여 기본 인수를 재정의합니다.

팁

학습률 0.01로 10에폭 동안 감지 모델을 학습합니다:

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

기본 구성 파일 재정의#

cfg=custom.yaml 같은 cfg 인수를 사용하여 새 파일을 전달함으로써 default.yaml 구성 파일을 완전히 재정의합니다.

이렇게 하려면 먼저 yolo copy-cfg 명령을 사용하여 현재 작업 디렉터리에 default.yaml의 복사본을 만듭니다. 이 명령은 default_copy.yaml 파일을 생성합니다.

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

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

솔루션 명령#

Ultralytics는 CLI를 통해 일반적인 컴퓨터 비전 애플리케이션을 위한 즉시 사용 가능한 솔루션을 제공합니다. yolo solutions 명령은 객체 카운팅, 자르기, 흐리기, 운동 모니터링, 히트맵, 인스턴스 분할, VisionEye, 속도 추정, 대기열 관리, 분석, Streamlit 추론, 구역 기반 추적 기능을 제공합니다. 전체 카탈로그는 솔루션 페이지를 참조하십시오. 지원되는 모든 솔루션과 그 인수를 나열하려면 yolo solutions help를 실행하십시오.

예시

동영상 또는 라이브 스트림에서 객체 카운트:

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

Ultralytics 솔루션에 대한 자세한 내용은 솔루션 페이지를 방문하십시오.

FAQ#

  • CLI를 사용하여 모델을 학습하려면 터미널에서 단일 라인 명령을 실행하십시오. 예를 들어, 학습률 0.01로 10에폭 동안 감지 모델을 학습하려면 다음을 실행하십시오:

    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 구성 가이드를 참조하십시오.

  • Ultralytics YOLO CLI는 감지, 분할, 의미론적 분할, 깊이 추정, 분류, 포즈 추정, 방향성 바운딩 박스 감지를 포함한 다양한 작업을 지원합니다. 다음과 같은 작업도 수행할 수 있습니다:

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

    다양한 인수로 각 작업을 사용자 지정하십시오. 자세한 구문과 예제는 학습, 예측, 내보내기 같은 각 섹션을 참조하십시오.

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

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

    이 명령은 지정된 데이터셋에서 모델을 평가하고 mAP, 정밀도, 재현율 같은 성능 지표를 제공합니다. 자세한 내용은 Val 섹션을 참조하십시오.

  • 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

    내보내기 명령은 특정 배포 환경에 맞게 모델을 최적화하기 위한 수많은 옵션을 지원합니다. 사용 가능한 모든 내보내기 형식과 특정 매개변수에 대한 자세한 내용은 내보내기 페이지를 방문하십시오.

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

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

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

기여자
GLglenn-jocher27AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

댓글