Interface de Linha de Comando
A interface de linha de comando (CLI) Ultralytics fornece uma maneira direta de usar os modelos Ultralytics YOLO sem precisar de um ambiente Python. A CLI oferece suporte à execução de várias tarefas diretamente do terminal usando o yolo comando, não exigindo personalização ou código Python.
Assista: Dominando Ultralytics YOLO: CLI
Exemplo
Ultralytics yolo comandos usam a seguinte sintaxe:
yolo TASK MODE ARGS
Onde:
- TASK (opcional) é um de [detect, segment, classify, pose, obb]
- MODE (obrigatório) é um de [train, val, predict, export, track, benchmark]
- ARGS (opcional) são qualquer número de arg=value pares como imgsz=320 que substituem os padrões.
Veja todos os ARGS no Guia de Configuração ou com yolo cfg.
Treine um modelo de detecção por 10 épocas com uma taxa de aprendizado inicial de 0,01:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01
Preveja usando um modelo de segmentação pré-treinado em um vídeo do YouTube no tamanho de imagem 320:
yolo predict model=yolo26n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
Validar um modelo de detecção pré-treinado com um tamanho de lote de 1 e tamanho de imagem de 640:
yolo val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640
Exporte um modelo de classificação YOLO para o formato ONNX com tamanho de imagem de 224x128 (sem necessidade de TASK):
yolo export model=yolo26n-cls.pt format=onnx imgsz=224,128
Execute comandos especiais para visualizar a versão, as configurações, executar verificações e muito mais:
yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg
Onde:
TASK(opcional) é um de[detect, segment, classify, pose, obb]. Se não for explicitamente passado, o YOLO tentará inferir oTASKa partir do tipo de modelo.MODE(obrigatório) é um de[train, val, predict, export, track, benchmark]ARGS(opcional) são qualquer número dearg=valuepares comoimgsz=320personalizados que substituem os padrões. Para uma lista completa deARGS, veja o Configuração página edefault.yaml.
Aviso
Os argumentos devem ser passados como arg=val pares, separados por um sinal de igual = e delimitados por espaços entre os pares. Não use -- prefixos de argumentos 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
Treine o YOLO no conjunto de dados COCO8 por 100 épocas no tamanho de imagem 640. Para obter uma lista completa dos argumentos disponíveis, consulte a página Configuração.
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
Retomar uma sessão de treinamento interrompida:
yolo detect train resume model=last.pt
Validar
Validar o precisão do modelo treinado no dataset COCO8. Não são necessários argumentos, pois o model mantém seu treinamento data e argumentos como atributos do modelo.
Exemplo
Valide um modelo oficial YOLO26n:
yolo detect val model=yolo26n.pt
Validar um modelo treinado personalizado:
yolo detect val model=path/to/best.pt
Prever
Use um modelo treinado para executar previsões em imagens.
Exemplo
Faça previsões com um modelo oficial YOLO26n:
yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'
Preveja com um modelo personalizado:
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'
Exportar
Exporte um modelo para um formato diferente, como ONNX ou CoreML.
Exemplo
Exportar um modelo oficial YOLO26n para o formato ONNX:
yolo export model=yolo26n.pt format=onnx
Exporte um modelo treinado personalizado para o formato ONNX:
yolo export model=path/to/best.pt format=onnx
Os formatos de exportação Ultralytics disponíveis estão na tabela abaixo. Você pode exportar para qualquer formato usando o format argumento, ou seja, format='onnx' ou format='engine'.
| Formato | format Argumento | Modelo | Metadados | Argumentos |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, half, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, half, dynamic, simplify, opset, nms, batch, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, half, dynamic, int8, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, half, int8, nms, batch, device |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, keras, int8, nms, batch, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, batch, device |
| TF Lite | tflite | yolo26n.tflite | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, device |
| TF.js | tfjs | yolo26n_web_model/ | ✅ | imgsz, half, int8, nms, batch, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, int8, half, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, half, batch, device |
| IMX500 | imx | yolo26n_imx_model/ | ✅ | imgsz, int8, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, int8, data, fraction, device |
Veja todos os detalhes do modo export detalhes sobre o Exportar página.
Substituindo Argumentos Padrão
Substitua os argumentos padrão, passando-os na CLI como arg=value pares.
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
Preveja usando um modelo de segmentação pré-treinado em um vídeo do YouTube no tamanho de imagem 320:
yolo segment predict model=yolo26n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
Validar um modelo de detecção pré-treinado com um tamanho de lote de 1 e tamanho de imagem de 640:
yolo detect val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640
Substituindo o Arquivo de Configuração Padrão
Substitua o default.yaml arquivo de configuração completamente, passando um novo arquivo com o cfg argumento, como cfg=custom.yaml.
Para fazer isso, primeiro crie uma cópia de default.yaml no seu diretório de trabalho atual com o yolo copy-cfg comando, que cria um default_copy.yaml ficheiro.
Você pode então passar este arquivo 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
Ultralytics soluções prontas a usar para aplicações comuns de visão computacional através da CLI. A yolo solutions O comando disponibiliza contagem de objetos, recorte, desfoque, monitorização de treinos, mapas de calor, segmentação de instâncias, VisionEye, estimativa de velocidade, gestão de filas, análise, inferência Streamlit e rastreamento baseado em zonas — consulte o Soluções página para ver o catálogo completo. Executar yolo solutions help para listar todas as soluções suportadas e os seus argumentos.
Exemplo
Contar 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
Recortar os objetos detetados e guardá-los no disco:
yolo solutions crop show=True
yolo solutions crop source="path/to/video.mp4" # specify video file path
yolo solutions crop classes="[0, 2]" # crop only selected classes
Desfoque objetos detetados num vídeo por motivos de privacidade ou para destacar outras áreas:
yolo solutions blur show=True
yolo solutions blur source="path/to/video.mp4" # specify video file path
yolo solutions blur classes="[0, 5]" # blur only selected classes
Monitore os exercícios de treino usando um modelo de pose:
yolo solutions workout show=True
yolo solutions workout source="path/to/video.mp4" # specify video file path
# Use keypoints for ab-workouts
yolo solutions workout kpts="[5, 11, 13]" # left side
yolo solutions workout kpts="[6, 12, 14]" # right side
Gerar um mapa de calor que mostre a densidade dos objetos e os padrões de movimento:
yolo solutions heatmap show=True
yolo solutions heatmap source="path/to/video.mp4" # specify video file path
yolo solutions heatmap colormap=cv2.COLORMAP_INFERNO # customize colormap
yolo solutions heatmap region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # restrict heatmap to a region
Executar a segmentação de instâncias com rastreamento num vídeo:
yolo solutions isegment show=True
yolo solutions isegment source="path/to/video.mp4" # specify video file path
yolo solutions isegment classes="[0, 5]" # segment only selected classes
Desenhe linhas de visão entre objetos e observadores com o VisionEye:
yolo solutions visioneye show=True
yolo solutions visioneye source="path/to/video.mp4" # specify video file path
yolo solutions visioneye classes="[0, 5]" # monitor only selected classes
Calcule a velocidade dos objetos em movimento num vídeo:
yolo solutions speed show=True
yolo solutions speed source="path/to/video.mp4" # specify video file path
yolo solutions speed meter_per_pixel=0.05 # set scale for real-world units
Contar objetos em uma fila ou região designada:
yolo solutions queue show=True
yolo solutions queue source="path/to/video.mp4" # specify video file path
yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # configure queue coordinates
Gerar gráficos analíticos (de linhas, de barras, de área ou circulares) a partir das deteções registadas:
yolo solutions analytics show=True
yolo solutions analytics source="path/to/video.mp4" # specify video file path
yolo solutions analytics analytics_type="pie" show=True
yolo solutions analytics analytics_type="bar" show=True
yolo solutions analytics analytics_type="area" show=True
Realize detecção de objetos, segmentação de instâncias ou estimativa de pose em um navegador da web usando Streamlit:
yolo solutions inference
yolo solutions inference model="path/to/model.pt" # use custom model
Rastrear objetos apenas dentro de uma zona poligonal especificada:
yolo solutions trackzone show=True
yolo solutions trackzone source="path/to/video.mp4" # specify video file path
yolo solutions trackzone region="[(150, 150), (1130, 150), (1130, 570), (150, 570)]" # configure zone coordinates
Contar objetos dentro de regiões poligonais específicas:
yolo solutions region show=True
yolo solutions region source="path/to/video.mp4" # specify video file path
yolo solutions region region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # configure region coordinates
Executar a monitorização de alarmes de segurança com deteção de objetos:
yolo solutions security show=True
yolo solutions security source="path/to/video.mp4" # specify video file path
Monitorizar a ocupação do parque de estacionamento utilizando zonas predefinidas:
yolo solutions parking source="path/to/video.mp4" json_file="bounding_boxes.json" # requires pre-built JSON
yolo solutions parking source="path/to/video.mp4" json_file="bounding_boxes.json" model="yolo26n.pt"
Veja as soluções disponíveis e suas opções:
yolo solutions help
Para obter mais informações sobre as soluções Ultralytics, visite a página Soluções.
FAQ
Como uso a interface de linha de comando (CLI) Ultralytics YOLO para treinamento de modelo?
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 train modo com argumentos específicos. Para obter uma lista completa dos argumentos disponíveis, consulte o Guia de Configuração.
Quais tarefas posso realizar com a CLI do Ultralytics YOLO?
A Ultralytics YOLO CLI suporta várias tarefas, incluindo detecção, segmentação, classificação, estimativa de pose e detecção de caixa delimitadora orientada. Você também pode realizar operações como:
- Treinar um Modelo: Executar
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: Executar
yolo export model=<model.pt> format=<export_format>. - Use Soluções: Executar
yolo solutions <solution_name>para aplicações prontas.
Personalize cada tarefa com vários argumentos. Para sintaxe e exemplos detalhados, consulte as seções respectivas, como Train, Predict e Export.
Como posso validar a precisão de um modelo YOLO treinado usando a CLI?
Para validar a precisão, use o val modo. 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.
Para quais formatos posso exportar meus modelos YOLO usando a CLI?
Você pode exportar modelos YOLO para vários formatos, incluindo ONNX, TensorRT, CoreML, TensorFlow e muito mais. Por exemplo, para exportar um modelo para o formato ONNX, execute:
yolo export model=yolo26n.pt format=onnx
O comando de exportação oferece suporte a várias 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.
Como uso as soluções pré-construídas na CLI Ultralytics?
A Ultralytics fornece soluções prontas para uso através da solutions comando. 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.
