YOLO Vision 2026:

Interface de Linha de Comando#

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



Watch: Mastering Ultralytics YOLO: CLI
Exemplo

Os comandos yolo da 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 qualquer número de pares personalizados arg=value como imgsz=320 que substituem os padrões.

Vê todos os ARGS 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 deduzir o 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 personalizados arg=value como imgsz=320 que substituem os padrões. Para uma lista completa de ARGS disponíveis, consulta a página de Configuração e default.yaml.
Aviso

Os argumentos devem ser passados como pares arg=val, separados por um sinal de igual = 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 durante 100 épocas com um tamanho de imagem de 640. Para uma lista completa de argumentos disponíveis, consulta a página de Configuração.

Exemplo

Inicie 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

Validar#

Valida a precisão do modelo treinado no conjunto de dados COCO8. Não são necessários argumentos, pois o model mantém o seu data de treino e os seus argumentos como atributos do modelo.

Exemplo

Valide um modelo YOLO26n oficial:

yolo detect val model=yolo26n.pt

Prever#

Use um modelo treinado para fazer previsões em imagens.

Exemplo

Faça previsões com um modelo YOLO26n oficial:

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

Exportar#

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

Exemplo

Exporte um modelo YOLO26n oficial para o formato ONNX:

yolo export model=yolo26n.pt format=onnx

Os formatos de exportação da Ultralytics disponíveis encontram-se na tabela abaixo. Podes exportar para qualquer formato utilizando 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

Vê os detalhes completos de export na página Exportar.

Substituindo Argumentos Padrão#

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

Dica

Treine 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

Substituindo o Arquivo de Configuração Padrão#

Substitui totalmente o ficheiro de configuração default.yaml passando um novo ficheiro com o argumento cfg, tal como cfg=custom.yaml.

Para o fazer, cria primeiro uma cópia de default.yaml no teu diretório de trabalho atual com o comando yolo copy-cfg, o qual 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 fornece soluções prontas a usar para aplicações comuns de visão computacional através da CLI. O comando yolo solutions disponibiliza contagem de objetos, recorte, desfoque, monitorização de treinos, mapas de calor, segmentação de instâncias, VisionEye, estimativa de velocidade, gestão de filas, analítica, inferência com Streamlit e rastreio baseado em zonas — consulta a página de Soluções para ver o catálogo completo. Executa yolo solutions help para listar todas as soluções suportadas e os respetivos argumentos.

Exemplo

Conte 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 da Ultralytics, visita a página de Soluções.

FAQ#

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

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

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

  • A CLI do Ultralytics YOLO suporta várias tarefas, incluindo detecção, segmentação, segmentação semântica, estimação de profundidade, classificação, estimação de pose e detecção de caixas delimitadoras orientadas. Também podes realizar 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 obter sintaxe detalhada e exemplos, consulta as respetivas secções como Train, Predict e Export.

  • Para validar a precisão de um modelo, utiliza 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 secção Val.

  • 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 o teu modelo para ambientes de implementação específicos. Para obter detalhes completos sobre todos os formatos de exportação disponíveis e os respetivos parâmetros específicos, visita a página Exportar.

  • A Ultralytics fornece 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 fornecem funcionalidade imediata para tarefas comuns de visão computacional. Para ver todas as soluções disponíveis, executa yolo solutions help. Cada solução tem parâmetros específicos que podem ser personalizados para se adaptarem às tuas necessidades.

Contribuidores
GLglenn-jocher27AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Comentários