Link to this sectionInterface de Linha de Comando#

A interface de linha de comando (CLI) da Ultralytics oferece uma maneira simples de usar modelos YOLO da Ultralytics sem precisar de um ambiente Python. A CLI suporta a execução de várias tarefas diretamente do terminal usando o comando yolo, sem exigir personalização ou código Python.

yolo TASK MODE ARGS

Onde:

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

Link to this sectionTreinar#

Treine o YOLO no conjunto de dados COCO8 por 100 épocas com tamanho de imagem 640. Para uma lista completa de argumentos disponíveis, veja a página de Configuração.

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

Link to this sectionValidar#

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

yolo detect val model=yolo26n.pt

Link to this sectionPrever#

Use um modelo treinado para executar previsões em imagens.

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

Link to this sectionExportar#

Exporte um modelo para um formato diferente, como ONNX ou CoreML.

yolo export model=yolo26n.pt format=onnx

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

Veja detalhes completos de export na página de Export.

Link to this sectionSubstituindo Argumentos Padrão#

Override default arguments by passing them in the CLI as arg=value pairs.

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

Link to this sectionSubstituindo o Arquivo de Configuração Padrão#

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

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

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

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

Link to this sectionComandos de Soluções#

A Ultralytics fornece soluções prontas para uso para 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 instância, VisionEye, estimativa de velocidade, gerenciamento de filas, análise, inferência via Streamlit e rastreamento baseado em zonas — consulte a página Solutions para o catálogo completo. Execute yolo solutions help para listar todas as soluções suportadas e seus argumentos.

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

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

Link to this sectionFAQ#

Link to this sectionComo uso a interface de linha de comando (CLI) Ultralytics YOLO para treinamento de modelos?#

Para treinar um modelo usando a CLI, execute 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, execute:

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

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

Link to this sectionQuais tarefas posso realizar com a CLI Ultralytics YOLO?#

A CLI Ultralytics YOLO suporta várias tarefas, incluindo detecção, segmentação, segmentação semântica, classificação, estimativa de pose e detecção de caixa delimitadora orientada. Você também pode realizar operações como:

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

Personalize cada tarefa com vários argumentos. Para sintaxe detalhada e exemplos, veja as seções respectivas como Train, Predict e Export.

Link to this sectionComo posso validar a precisão de um modelo YOLO treinado usando a CLI?#

Para validar a precisão de um modelo, use 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, 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 recall. Para mais detalhes, consulte a seção Val.

Link to this sectionPara quais formatos posso exportar meus modelos YOLO usando a CLI?#

Você pode exportar modelos YOLO para vários formatos, incluindo ONNX, TensorRT, CoreML, TensorFlow e mais. Por exemplo, para exportar um modelo para o formato ONNX, execute:

yolo export model=yolo26n.pt format=onnx

O comando de exportação suporta inúmeras opções para otimizar seu modelo para ambientes de implantação específicos. Para detalhes completos sobre todos os formatos de exportação disponíveis e seus parâmetros específicos, visite a página Export.

Link to this sectionComo uso as soluções pré-construídas na CLI Ultralytics?#

A 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, execute yolo solutions help. Cada solução tem parâmetros específicos que podem ser personalizados para atender às suas necessidades.