Começar

Interface de linha de comandos

A interface de linha de comando (CLI) da Ultralytics oferece uma maneira simples de usar os modelos Ultralytics YOLO sem escrever código Python. A CLI permite executar todas as tarefas e modos diretamente no terminal usando o comando yolo.



Assista: Domine o Ultralytics YOLO: CLI
Exemplo

Os comandos yolo do Ultralytics usam a seguinte sintaxe:

yolo TASK MODE ARGS

Onde:

  • TASK (opcional) é um dos seguintes: [detect, segment, semantic, depth, classify, pose, obb]
  • MODE (obrigatório) é um dos seguintes: [train, val, predict, export, track, benchmark]
  • ARGS (opcional) são quaisquer pares personalizados de arg=value, como imgsz=320, que substituem os valores predefinidos.

Consulta todos os ARGS no Guia de configuração completo ou com yolo cfg.

Onde:

  • TASK (opcional) é um dos seguintes: [detect, segment, semantic, depth, classify, pose, obb]. Se não for especificado explicitamente, o YOLO tenta inferir TASK a partir do tipo de modelo.
  • MODE (obrigatório) é um dos seguintes: [train, val, predict, export, track, benchmark]
  • ARGS (opcional) são quaisquer pares personalizados de arg=value, como imgsz=320, que substituem os valores predefinidos. Para ver a lista completa de ARGS disponíveis, consulta a página Configuração e default.yaml.
Aviso

Os argumentos têm de ser passados como pares arg=val, separados por um sinal de igual = e delimitados por espaços entre os pares. Não uses prefixos de argumento -- nem vírgulas , entre argumentos.

  • 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 ❌

Treinar#

Treina o YOLO no conjunto de dados COCO8 durante 100 épocas, com tamanho de imagem 640.

Exemplo

Comece a treinar YOLO26n no COCO8 por 100 épocas com tamanho de imagem 640:

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

Validar#

Valide a precisão do modelo treinado no conjunto de dados COCO8. Um modelo personalizado reutiliza seu data de treinamento quando data é omitido; os pesos oficiais usam como alternativa o valor padrão da tarefa coco8.yaml.

Exemplo

Valida um modelo YOLO26n oficial:

yolo detect val model=yolo26n.pt data=coco8.yaml

Prever#

Usa um modelo treinado para fazer previsões em imagens.

Exemplo

Faz previsões com um modelo YOLO26n oficial:

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

Exportar#

Exporta um modelo para outro formato, como ONNX ou CoreML.

Exemplo

Exporta um modelo YOLO26n oficial para o formato ONNX:

yolo export model=yolo26n.pt format=onnx

Os formatos de exportação disponíveis do Ultralytics estão na tabela abaixo. Você pode exportar para qualquer formato usando o argumento format, por exemplo, format='onnx' ou format='engine'.

FormatoArgumento formatModeloMetadadosArgumentos
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
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, 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
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, dynamic, quantize, simplify, opset, nms, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, quantize, device
IMX500imxyolo11n_imx_model/✅imgsz, quantize, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, quantize, batch, data, fraction, 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
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou, device
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms, device
AMD Xilinxxilinxyolo26n_xilinx_model/✅imgsz, name, quantize, data, fraction, opset, simplify, device
NXPnxpyolo26n_nxp.tflite✅imgsz, quantize, data, fraction, device

nms=None usa por padrão saídas brutas para NMS externo (YOLO26 mantém sua cabeça sem NMS na Axelera). Define nms=False para selecionar uma cabeça sem NMS disponível; os formatos não compatíveis recorrem ao caminho de saída nativo. As entradas nms acima identificam os formatos que podem incorporar NMS com nms=True.

Consulta todos os detalhes de export na página Export.

Substituir os argumentos predefinidos#

Substitui os argumentos predefinidos passando-os na CLI como pares arg=value.

Dica

Treina um modelo de deteção durante 10 épocas com uma taxa de aprendizagem de 0.01:

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

Substituir o ficheiro de configuração predefinido#

Substitui completamente o ficheiro de configuração default.yaml passando um novo ficheiro com o argumento cfg, por exemplo, cfg=custom.yaml.

Para isso, começa por criar uma cópia de default.yaml no diretório de trabalho atual com o comando yolo copy-cfg, que cria um ficheiro default_copy.yaml.

Podes então passar este ficheiro como cfg=default_copy.yaml juntamente com quaisquer argumentos adicionais, como imgsz=320 neste exemplo:

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

Comandos de soluções#

A Ultralytics disponibiliza soluções prontas a usar para aplicações comuns de visão por computador através da CLI. O comando yolo solutions disponibiliza contagem de objetos, recorte, desfocagem, monitorização de exercícios, mapas de calor, segmentação de instâncias, VisionEye, estimativa de velocidade, gestão de filas, análise, inferência com Streamlit, rastreamento por zonas, contagem por região, alarmes de segurança e gestão de estacionamento — consulta a página Solutions para ver o catálogo completo. Executa yolo solutions help para listar todas as soluções suportadas e os respetivos argumentos.

Exemplo

Conta objetos num vídeo ou numa transmissão em direto:

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

Para obter mais informações sobre as soluções Ultralytics, visita a página Solutions.

Perguntas frequentes#

  • Para treinar um modelo com a CLI, executa um comando de uma só linha no terminal. Por exemplo, para treinar um modelo de deteção durante 10 épocas, executa:

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

    Este comando usa o modo train com argumentos específicos. Para consultar a lista completa dos argumentos disponíveis, consulta o Guia de configuração.

  • A CLI da Ultralytics YOLO suporta várias tarefas, incluindo deteção, segmentação, segmentação semântica, estimativa de profundidade, classificação, estimativa de pose e deteção de caixas delimitadoras orientadas. Também podes executar operações como:

    • Treinar um modelo: executa yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
    • Executar previsões: utiliza yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
    • Exportar um modelo: executa yolo export model=<model.pt> format=<export_format>.
    • Utilizar soluções: executa yolo solutions <solution_name> para aplicações prontas a usar.

    Personaliza cada tarefa com vários argumentos. Para consultar a sintaxe detalhada e exemplos, vê as respetivas secções, como Treinar, Prever e Exportar.

  • Para validar a precisão de um modelo, use o modo val. Por exemplo, para validar um modelo de detecção pré-treinado com tamanho de lote 1 e tamanho de imagem 640, execute:

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

    Este comando avalia o modelo no conjunto de dados especificado e fornece métricas de desempenho como mAP, precisão e revocação. Para mais detalhes, consulta a secção Val.

  • Podes exportar modelos YOLO para vários formatos, incluindo ONNX, TensorRT, CoreML, TensorFlow e outros. Por exemplo, para exportar um modelo para o formato ONNX, executa:

    yolo export model=yolo26n.pt format=onnx

    O comando de exportação suporta inúmeras opções para otimizar o teu modelo para ambientes de implementação específicos. Para obter todos os detalhes sobre os formatos de exportação disponíveis e os respetivos parâmetros, visita a página Export.

  • A Ultralytics disponibiliza soluções prontas a usar através do comando solutions. Por exemplo, para contar objetos num vídeo:

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

    Estas soluções requerem uma configuração mínima e oferecem funcionalidades imediatas para tarefas comuns de visão por computador. Para ver todas as soluções disponíveis, executa yolo solutions help. Cada solução tem parâmetros específicos que podes personalizar de acordo com as tuas necessidades.

Comentários28

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.

    1. Glenn JocherUltralytics

      嘿!看起来你在尝试使用 detect 命令,但这实际上并不直接作为命令使用。😅 在YOLOv8 CLI中,detect 更像是一个任务类型标识符,而不是直接使用的命令。

      比如说,如果你想要对一张图片进行预测(检测),你可以这样做:

      yolo detect predict model=yolov8n.pt source='path/to/image.jpg'

      这里 detect 指出你想要进行的是物体检测任务,predict 是你想要进行的模式,接着是模型和图像源的具体参数。🔍

      确保检查 Ultralytics YOLO 文档 获取更多详细信息和参数选项!希望这有助于解决问题!

    2. Glenn JocherUltralytics

      看起来你遇到了 'yolo detect' 是无效命令 的问题。 😊 对于YOLOv8 CLI的用法, 实际上你不需要直接使用 "detect" 作为命令。以下是一个简单的例子,演示如何正确地使用 CLI 来运行一个预测:

      yolo predict model=yolov8n.pt source='path/to/your/image.jpg'

      在这个例子中,我们使用 predict 而不是 detect,然后指定模型和要进行预测的数据源。希望这能帮助到你!如果还有其他疑问,欢迎继续提问。👍

  1. User

    Hello Team Ultralytics,

    Good morning!

    Many thanks for the great work.

    Couple of questions:

    1. How can i generate same graphs (graphs after training) after using the trained model on my unsense samples data?
    2. I can use the target folder after training the model, however, it only exports the images with the prediction boxes. I want to have a pie chart or bar chart or even the same plots it exports after the training run
    3. For the object detection via a video, if i have 4 images to display in one second, the model looks the same image multiple times. How can we correct the frames reading?

    Looking forward to your kind input,

    Kind regards,

    MUK

    1. Glenn JocherUltralytics(editado)

      @yizhihuo666 好问题!当你更新到最新版本的Ultralytics库时,不指定模型时使用的默认模型会随版本更新(现在检测任务默认为 yolo26n.pt)。这就是为什么你的原始命令会提示下载新的默认模型文件。

      如果你想继续使用YOLOv8模型,可以显式指定模型路径:

      yolo train model=yolov8n.pt data=your_data.yaml epochs=100

      如果你想使用最新的YOLO26模型(推荐),可以直接使用:

      yolo train model=yolo26n.pt data=your_data.yaml epochs=100

      YOLO26提供了更好的性能和准确性,所以建议升级到新模型。

      @duoerku 请在GitHub上提出具体的技术问题,我们会在这里为你提供支持,无法提供私人联系方式。

    2. yizhihuo666GitHub

      Thank you for your reply. As you mentioned, the system has now been updated to the YOLOv11 algorithm. I would like to know how I should proceed if I want to train the yolov8n.pt model using the YOLOv8 algorithm. Do I need to revert to a previous version of Ultralytics?

    3. Glenn JocherUltralytics(editado)

      @yizhihuo666 You don't need to downgrade Ultralytics! The current version still fully supports YOLOv8 models. Simply specify the YOLOv8 model explicitly in your command:

      yolo train model=yolov8n.pt data=your_data.yaml epochs=100

      The latest Ultralytics version supports both YOLOv8 and YOLO26 models - it just defaults to the current default model (yolo26n.pt for detection) when no model is specified. By explicitly using model=yolov8n.pt, you'll train with the YOLOv8 architecture as intended.

  2. yizhihuo666GitHub

    May I ask which algorithm is used by default for training through the ultralytic command line, YOLOV8 or YOLOV11

    1. yizhihuo666GitHub

      I trained yolov8n.pt using the command line in 2023 and recently updated the latest version of the ultralytic library. I found that when I used the original command, it kept prompting me to download the yolo11n.pt file

  3. muhammadrizwan11GitHub

    I noticed some discrepancies in the training and validation commands under the CLI chapter of the Ultralytics YOLO documentation. The documented training command is written as '' yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 '' but the correct command should be '' yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01'' The word "detect" should be removed. Similarly, the validation command is written as '' yolo detect val model=yolo11n.pt'' , whereas the correct command should be '' yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640 ''. Again, "detect" is unnecessary, and important parameters such as the dataset (data=coco8.yaml), batch size (batch=1), and image size (imgsz=640) are missing. These inconsistencies might cause confusion for users following the documentation. Could the team review and update this section for accuracy? i am also doing working in yolo https://github.com/muhammadrizwan11

    1. Glenn JocherUltralytics

      @muhammadrizwan11 thank you for pointing this out! You're correct that the detect task argument is optional in CLI commands when the model type is specified, as YOLO can infer the task from the model name. Both yolo detect train and yolo train syntaxes are valid, but we'll standardize the docs to use the more concise form where possible. The validation example should indeed include explicit parameters for clarity, even though data is inherited from training. We'll update the documentation to reflect these points. For reference, see the CLI Syntax section in the Ultralytics YOLO documentation.

  4. aryakptGitHub

    HI, can you help me, how do i save the validation result if i use CLI? Because i clone github ultralytics directly

    1. Glenn JocherUltralytics(editado)

      @aryakpt validation results (metrics and plots such as the confusion matrix) are saved to a run folder like runs/detect/val by default. Add save_json=True to also save predictions as a COCO-format JSON file:

      yolo val model=path/to/best.pt data=data.yaml save_json=True

    2. aryakptGitHub(editado)

      thanks glenn for the response. but how can i access the val result like this using CLI? I want to save it in a variable

      best_model = YOLO(f"{output_path}/train{suffix}/weights/best.pt")
      val_result = best_model.val(data=data,  project=output_path)
      map50 = val_result.box.map50
    3. Glenn JocherUltralytics(editado)

      The CLI doesn't return variables, and save_json=True saves per-image predictions in COCO JSON format rather than the summary metrics. To access metrics like mAP50 programmatically, use the Python API:

      from ultralytics import YOLO
      
      metrics = YOLO("path/to/best.pt").val(data="data.yaml")
      print(metrics.box.map50)

      For details, see the Val mode documentation.

  5. sakrigGitHub

    Apple's NeuralEngine API accelerates models for all new Apple products with the M4 chips.

    Does the IOS CLI app use the NeuralEngine for all Apple M4 products? Does Ultralytics support the M4 processor on the latest Mac, MacMini, Mac Pro, iPad, iPhone ...?

    Seems straight forward to support the M4 NeuralEngine for all Apple products, but I have not tried.

    1. Glenn JocherUltralytics

      @sakrig ultralytics YOLO models can be exported to CoreML format for Apple devices, which leverages Apple's native acceleration including NeuralEngine where available. For M4 support, ensure you're using the latest PyTorch versions with macOS MPS backend. See our CoreML export docs for implementation details.

    1. Glenn JocherUltralytics

      @arasul42 yes, you can pass a hyperparameter file in the CLI using the cfg argument, like this: yolo train cfg=your_hyperparameters.yaml.

      2
    1. Glenn JocherUltralytics

      @duoerku 你好!很抱歉,我们无法通过电话或微信进行交流,但我们很乐意在这个问题跟踪系统中帮助你解决任何有关Ultralytics YOLO的问题。如果你有任何技术问题或需要进一步的帮助,请随时在这里详细说明,我们会尽快给你回复。感谢你的理解,并期待你的回复。🙂

    1. Paula DerrengerUltralytics

      您好,谢谢您对Ultralytics YOLOv8的兴趣!🚀 对于技术支持和进一步的沟通,请优先利用GitHub Issues功能提出您的问题或需求,这样我们能够提供更有条理且可追踪的支持。

      就您提供的信息来看,您似乎对命令行界面(CLI)的使用方法有兴趣,这里是可以通过几个简单示例来帮助您开始:

      1. 训练一个模型:

        yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01
      2. 运行预测:

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

        yolo val model=yolov8n.pt data=coco128.yaml batch=1 imgsz=640
      4. 导出模型为ONNX格式:

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

      更多详细命令和选项,请参阅我们的官方文档。如果有更具体的问题或需求,欢迎在GitHub上开启一个issue进行讨论。🤗