Overslaan naar inhoud

Gebruik opdrachtregelinterface

De YOLO opdrachtregelinterface (CLI) maakt eenvoudige eenregelige opdrachten mogelijk zonder dat je een Python omgeving nodig hebt. CLI vereist geen aanpassingen of Python code. Je kunt alle taken gewoon vanaf de terminal uitvoeren met de yolo commando.



Kijken: Ultralytics YOLOv8 : CLI

Voorbeeld

Ultralytics yolo commando's gebruiken de volgende syntaxis:

yolo TASK MODE ARGS

Where   TASK (optional) is one of [detect, segment, classify]
        MODE (required) is one of [train, val, predict, export, track]
        ARGS (optional) are any number of custom 'arg=value' pairs like 'imgsz=320' that override defaults.
Bekijk alle ARGS in het volledige Configuratiegids of met yolo cfg

Train een detectiemodel voor 10 epochs met een initiële leer_snelheid van 0,01

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

Voorspel een YouTube-video met behulp van een vooraf getraind segmentatiemodel op afbeeldingsformaat 320:

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

Waardeer een voorgetraind detectiemodel met batchgrootte 1 en afbeeldingsgrootte 640:

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

Exporteer een YOLOv8n classificatiemodel naar ONNX formaat op afbeeldingsformaat 224 bij 128 (geen TASK vereist)

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

Voer speciale commando's uit om versies te bekijken, instellingen te bekijken, controles uit te voeren en meer:

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

Waar:

  • TASK (optioneel) is een van [detect, segment, classify]. Als het niet expliciet wordt doorgegeven zal YOLOv8 proberen de TASK van het modeltype.
  • MODE (vereist) is een van [train, val, predict, export, track]
  • ARGS (optioneel) zijn een willekeurig aantal aangepaste arg=value paren zoals imgsz=320 die de standaardinstellingen overschrijven. Voor een volledige lijst van beschikbare ARGS zie de Configuratie pagina en defaults.yaml

Waarschuwing

Argumenten moeten worden doorgegeven als arg=val paren, gesplitst door een is gelijk aan = teken en afgebakend door spaties tussen paren. Gebruik geen -- argumentvoorvoegsels of komma's , tussen argumenten.

  • 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   ❌

Trein

Train YOLOv8n op de COCO8 dataset voor 100 epochs met afbeeldingsgrootte 640. Zie de configuratiepagina voor een volledige lijst met beschikbare argumenten.

Voorbeeld

Begin met het trainen van YOLOv8n op COCO8 gedurende 100 epochs met een afbeeldingsgrootte van 640.

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

Een onderbroken training hervatten.

yolo detect train resume model=last.pt

Val

Valideer de nauwkeurigheid van het getrainde YOLOv8n model op de COCO8 dataset. Er hoeven geen argumenten te worden doorgegeven als de model behoudt zijn opleiding data en argumenten als modelattributen.

Voorbeeld

Valideer een officieel YOLOv8n model.

yolo detect val model=yolov8n.pt

Een zelfgetraind model valideren.

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

Voorspel

Gebruik een getraind YOLOv8n model om voorspellingen op afbeeldingen uit te voeren.

Voorbeeld

Voorspel met een officieel YOLOv8n model.

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

Voorspel met een aangepast model.

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

Exporteer

Exporteer een YOLOv8n model naar een ander formaat zoals ONNX, CoreML, enz.

Voorbeeld

Exporteer een officieel YOLOv8n model naar ONNX formaat.

yolo export model=yolov8n.pt format=onnx

Een zelfgetraind model exporteren naar ONNX formaat.

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

Beschikbare YOLOv8 exportformaten staan in de tabel hieronder. Je kunt naar elk formaat exporteren met de format argument, d.w.z. format='onnx' of format='engine'.

Formaat format Argument Model Metagegevens Argumenten
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 Lite tflite yolov8n.tflite imgsz, half, int8, batch
TF Rand 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

Bekijk volledig export details in de Exporteer pagina.

Standaard argumenten overschrijven

Standaardargumenten kunnen worden overschreven door ze simpelweg als argumenten door te geven in de CLI in arg=value paren.

Train een detectiemodel voor 10 epochs met learning_rate van 0.01

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

Voorspel een YouTube-video met behulp van een vooraf getraind segmentatiemodel op afbeeldingsformaat 320:

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

Valideer een voorgetraind detectiemodel met batchgrootte 1 en afbeeldingsgrootte 640:

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

Standaard configuratiebestand overschrijven

Je kunt de default.yaml configbestand volledig door een nieuw bestand door te geven met de cfg argumenten, d.w.z. cfg=custom.yaml.

Maak hiervoor eerst een kopie van default.yaml in je huidige werk dir met de yolo copy-cfg commando.

Dit creëert default_copy.yaml, die je dan kunt doorgeven als cfg=default_copy.yaml samen met eventuele extra argumenten, zoals imgsz=320 in dit voorbeeld:

Voorbeeld

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

FAQ

Hoe gebruik ik de opdrachtregelinterface Ultralytics YOLOv8 (CLI) voor modeltraining?

Om een YOLOv8 model te trainen met de CLI, kun je een eenvoudig eenregelig commando in de terminal uitvoeren. Om bijvoorbeeld een detectiemodel te trainen voor 10 epochs met een leersnelheid van 0,01, voer je het volgende uit:

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

Dit commando gebruikt de train modus met specifieke argumenten. Raadpleeg de volledige lijst met beschikbare argumenten in de Configuratiegids.

Welke taken kan ik uitvoeren met de Ultralytics YOLOv8 CLI ?

De Ultralytics YOLOv8 CLI ondersteunt een verscheidenheid aan taken, waaronder detectie, segmentatie, classificatie, validatie, voorspelling, export en tracering. Bijvoorbeeld:

  • Een model trainen: Ren yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
  • Run Voorspellingen: Gebruik yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
  • Een model exporteren: Uitvoeren yolo export model=<model.pt> format=<export_format>.

Elke taak kan worden aangepast met verschillende argumenten. Voor gedetailleerde syntaxis en voorbeelden, zie de respectievelijke secties zoals Trainen, Voorspellen en Exporteren.

Hoe kan ik de nauwkeurigheid van een getraind YOLOv8 model valideren met behulp van CLI?

Om de nauwkeurigheid van een YOLOv8 model te valideren, gebruik je het val modus. Voer bijvoorbeeld een vooraf getraind detectiemodel uit met een batchgrootte van 1 en een afbeeldingsgrootte van 640 om dit te valideren:

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

Dit commando evalueert het model op de gespecificeerde dataset en geeft prestatiecijfers. Raadpleeg de sectie Val voor meer details.

Naar welke formaten kan ik mijn YOLOv8 modellen exporteren met behulp van CLI?

YOLOv8 Modellen kunnen worden geëxporteerd naar verschillende indelingen zoals ONNX, CoreML, TensorRT, en meer. Voer bijvoorbeeld het volgende uit om een model te exporteren naar het formaat ONNX :

yolo export model=yolov8n.pt format=onnx

Ga voor alle details naar de Exportpagina.

Hoe pas ik YOLOv8 CLI commando's aan om standaard argumenten op te heffen?

Om standaardargumenten in YOLOv8 CLI commando's op te heffen, geef je ze door als arg=value paren. Om bijvoorbeeld een model met aangepaste argumenten te trainen, gebruik je:

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

Raadpleeg de Configuratiegids voor een volledige lijst van beschikbare argumenten en hun beschrijvingen. Zorg ervoor dat de argumenten correct zijn geformatteerd, zoals getoond in het gedeelte Standaard argumenten opheffen.



Aangemaakt 2023-11-12, Bijgewerkt 2024-07-04
Auteurs: glenn-jocher (19), ambitious-octopus (1), Burhan-Q (3), RizwanMunawar (1), AyushExel (1), Laughing-q (1), shuizhuyuanluo@126.com (1)

Reacties