Ultralytics YOLO27:

Interface de Linha de Comando#

A interface de linha de comando (CLI) do Ultralytics oferece uma maneira direta de usar modelos YOLO do Ultralytics sem precisar de um ambiente Python. A CLI permite executar várias tarefas diretamente no terminal usando o comando yolo, sem exigir personalização ou código Python.



Watch: Mastering Ultralytics YOLO: CLI
Exemplo

Os comandos yolo do Ultralytics utilizam a seguinte sintaxe:

yolo TASK MODE ARGS

Onde:

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

Consulta todos os argumentos no Guia de Configuração completo ou com yolo cfg.

Onde:

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

Os argumentos devem ser passados como pares arg=val, separados por um sinal de igualdade = e delimitados por espaços entre os pares. Não uses prefixos de argumento -- ou vírgulas , entre os 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 por 100 épocas com tamanho de imagem 640. Para uma lista completa de argumentos disponíveis, consulta a página Configuração.

Exemplo

Inicia o treinamento do YOLO26n no COCO8 por 100 épocas com tamanho de imagem 640:

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

Validação#

Valida a precisão do modelo treinado no conjunto de dados COCO8. Nenhum argumento é necessário, pois o model mantém seus data e argumentos de treinamento como atributos do modelo.

Exemplo

Valida um modelo YOLO26n oficial:

yolo detect val model=yolo26n.pt

Previsão#

Usa um modelo treinado para executar previsões em imagens.

Exemplo

Faz previsões com um modelo YOLO26n oficial:

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

Exportação#

Exporta um modelo para um formato diferente 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 do Ultralytics disponíveis estão na tabela abaixo. Podes exportar para qualquer formato usando o argumento format, ou seja, 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
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=None por padrão utiliza saídas brutas para NMS externo. Define nms=False para selecionar uma cabeça livre de NMS disponível; os formatos não suportados recorrem ao seu caminho de saída nativo. As entradas nms acima identificam formatos que podem incorporar NMS com nms=True.

Consulta detalhes completos de export na página Exportar.

Substituição de Argumentos Padrão#

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

Dica

Treina um modelo de detecção por 10 épocas com uma taxa de aprendizado de 0,01:

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

Substituição do Arquivo de Configuração Padrão#

Substitui o arquivo de configuração default.yaml inteiramente passando um arquivo novo com o argumento cfg, como cfg=custom.yaml.

Para fazer isso, primeiro cria uma cópia de default.yaml no teu diretório de trabalho atual com o comando yolo copy-cfg, o qual cria um arquivo default_copy.yaml.

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

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

Comandos de Soluções#

O Ultralytics fornece soluções prontas para uso em aplicações comuns de visão computacional através da CLI. O comando yolo solutions expõe contagem de objetos, recorte, desfoque, monitoramento de exercícios, mapas de calor, segmentação de instâncias, VisionEye, estimativa de velocidade, gerenciamento de filas, análises, inferência no Streamlit e rastreamento baseado em zonas — consulta a página Soluções para ver o catálogo completo. Executa yolo solutions help para listar todas as soluções suportadas e seus argumentos.

Exemplo

Conta objetos em um vídeo ou transmissão ao vivo:

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

Para mais informações sobre as soluções do Ultralytics, visita a página Soluções.

Perguntas frequentes#

  • Para treinar um modelo usando a CLI, executa um comando de linha única no terminal. Por exemplo, para treinar um modelo de detecção por 10 épocas com uma taxa de aprendizado de 0,01, executa:

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

    Este comando usa o modo train com argumentos específicos. Para obter uma lista completa de argumentos disponíveis, consulta o Guia de Configuração.

  • A CLI do Ultralytics YOLO suporta várias tarefas, incluindo detecção, segmentação, segmentação semântica, estimativa de profundidade, classificação, estimativa de pose e detecção de caixa delimitadora orientada. Também podes realizar operações como:

    • Treinar um Modelo: Executa yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
    • Executar Previsões: Usa yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
    • Exportar um Modelo: Executa yolo export model=<model.pt> format=<export_format>.
    • Usar Soluções: Executa yolo solutions <solution_name> para aplicações prontas.

    Personaliza cada tarefa com vários argumentos. Para obter sintaxe detalhada e exemplos, consulta as seções respectivas como Train, Predict e Export.

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

    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 seção Val.

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

    yolo export model=yolo26n.pt format=onnx

    O comando de exportação suporta várias opções para otimizar teu modelo para ambientes de implantação específicos. Para detalhes completos sobre todos os formatos de exportação disponíveis e seus parâmetros específicos, visita a página Exportar.

  • O Ultralytics fornece soluções prontas para uso através do comando solutions. Por exemplo, para contar objetos em um vídeo:

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

    Essas soluções exigem configuração mínima e fornecem funcionalidade imediata para tarefas comuns de visão computacional. Para ver todas as soluções disponíveis, executa yolo solutions help. Cada solução possui parâmetros específicos que podem ser personalizados para atender às tuas necessidades.

Contribuidores
GLglenn-jocher27AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Comentários