Ultralytics YOLO27:
Get Started

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 várias tarefas 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. Para ver a lista completa de argumentos disponíveis, consulta a página Configuração.

Exemplo

Começa a treinar o YOLO26n no COCO8 durante 100 épocas, com tamanho de imagem 640:

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

Validar#

Valida a precisão do modelo treinado no conjunto de dados COCO8. Se data for omitido, um modelo personalizado reutiliza data do treino; os pesos oficiais recorrem ao coco8.yaml predefinido para a tarefa.

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. Podes exportar para qualquer formato com 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, 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
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

nms=None usa por predefinição saídas brutas para NMS externo. Define nms=False para selecionar uma cabeça sem NMS disponível; os formatos não suportados recorrem ao respetivo 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, utiliza o modo val. Por exemplo, para validar um modelo de deteção pré-treinado com um tamanho do 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 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.

Colaboradores
GLglenn-jocher28RAraimbekovm5AMambitious-octopus3BUBurhan-Q3JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Comentários