Ultralytics YOLO27:
Get Started

Интерфейс командной строки#

Интерфейс командной строки Ultralytics (CLI) позволяет легко использовать модели Ultralytics YOLO без написания кода на Python. CLI поддерживает запуск различных задач прямо из терминала с помощью команды yolo.



Смотри: Осваиваем Ultralytics YOLO: CLI
Пример

Команды yolo в Ultralytics используют следующий синтаксис:

yolo TASK MODE ARGS

Где:

  • TASK (необязательный) — одно из значений [detect, segment, semantic, depth, classify, pose, obb]
  • MODE (обязательный) — одно из значений [train, val, predict, export, track, benchmark]
  • ARGS (необязательные) — любое количество пользовательских пар arg=value, например imgsz=320, которые переопределяют значения по умолчанию.

Полный список ARGS смотри в руководстве по конфигурации или с помощью yolo cfg.

Где:

  • TASK (необязательный) — одно из значений [detect, segment, semantic, depth, classify, pose, obb]. Если параметр не указан явно, YOLO попытается определить TASK по типу модели.
  • MODE (обязательный) — одно из значений [train, val, predict, export, track, benchmark]
  • ARGS (необязательные) — любое количество пользовательских пар arg=value, например imgsz=320, которые переопределяют значения по умолчанию. Полный список доступных ARGS смотри на странице «Конфигурация» и с помощью default.yaml.
Предупреждение

Аргументы нужно передавать парами arg=val, разделяя ключ и значение знаком равенства =, а пары — пробелами. Не добавляй к аргументам префикс -- и не разделяй их запятыми ,.

  • 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 ❌

Обучение#

Обучи YOLO на наборе данных COCO8 в течение 100 эпох с размером изображения 640. Полный список доступных аргументов смотри на странице «Конфигурация».

Пример

Запусти обучение YOLO26n на COCO8 в течение 100 эпох с размером изображения 640:

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

Валидация#

Проверь точность обученной модели на наборе данных COCO8. Если data не указан, пользовательская модель повторно использует data из обучения; для официальных весов используется значение coco8.yaml по умолчанию для этой задачи.

Пример

Проведи валидацию официальной модели YOLO26n:

yolo detect val model=yolo26n.pt data=coco8.yaml

Предсказание#

Используй обученную модель для предсказаний на изображениях.

Пример

Выполни предсказание с помощью официальной модели YOLO26n:

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

Экспорт#

Экспортируй модель в другой формат, например ONNX или CoreML.

Пример

Экспортируй официальную модель YOLO26n в формат ONNX:

yolo export model=yolo26n.pt format=onnx

Доступные форматы экспорта Ultralytics перечислены в таблице ниже. Для экспорта в любой из этих форматов используй аргумент format, например format='onnx' или format='engine'.

ФорматАргумент formatМодельМетаданныеАргументы
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 по умолчанию возвращает исходные выходные данные для внешней NMS. Укажи nms=False, чтобы выбрать доступную голову без NMS; неподдерживаемые форматы используют собственный путь вывода. Элементы nms выше обозначают форматы, в которые можно встроить NMS с помощью nms=True.

Полную информацию о export см. на странице экспорта.

Переопределение аргументов по умолчанию#

Передавай аргументы командной строки в виде пар arg=value, чтобы переопределить значения по умолчанию.

Совет

Обучи модель обнаружения за 10 эпох с learning rate 0.01:

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

Переопределение файла конфигурации по умолчанию#

Полностью переопредели файл конфигурации default.yaml, передав новый файл с аргументом cfg, например cfg=custom.yaml.

Для этого сначала создай копию default.yaml в текущем рабочем каталоге с помощью команды yolo copy-cfg, которая создаст файл default_copy.yaml.

Затем можно передать этот файл как cfg=default_copy.yaml вместе с любыми дополнительными аргументами, например imgsz=320, как в этом примере:

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

Команды решений#

Ultralytics предоставляет готовые решения для распространённых задач компьютерного зрения через CLI. Команда yolo solutions позволяет выполнять подсчёт объектов, обрезку, размытие, отслеживание тренировок, построение тепловых карт, сегментацию экземпляров, VisionEye, оценку скорости, управление очередями, аналитику, инференс в Streamlit, отслеживание по зонам, подсчёт объектов в областях, подачу сигналов тревоги и управление парковкой — полный каталог см. на странице решений. Выполни yolo solutions help, чтобы вывести список всех поддерживаемых решений и их аргументов.

Пример

Подсчитывай объекты в видео или прямой трансляции:

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

Подробнее о решениях Ultralytics см. на странице решений.

Часто задаваемые вопросы#

  • Чтобы обучить модель с помощью CLI, выполни в терминале однострочную команду. Например, чтобы обучить модель обнаружения за 10 эпох, выполни:

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

    Эта команда использует режим train с заданными аргументами. Полный список доступных аргументов см. в руководстве по конфигурации.

  • CLI Ultralytics YOLO поддерживает различные задачи, в том числе обнаружение, сегментацию, семантическую сегментацию, оценку глубины, классификацию, оценку поз и обнаружение ориентированных ограничивающих рамок. Также можно выполнять такие операции:

    • Обучение модели: выполни yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
    • Запуск предсказаний: используй yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
    • Экспорт модели: выполни yolo export model=<model.pt> format=<export_format>.
    • Использование решений: выполни yolo solutions <solution_name>, чтобы применить готовые решения.

    Настраивай каждую задачу с помощью различных аргументов. Подробный синтаксис и примеры см. в соответствующих разделах: Train, Predict и Export.

  • Чтобы проверить точность модели, используй режим val. Например, чтобы проверить предварительно обученную модель обнаружения с размером пакета 1 и размером изображения 640, выполни:

    yolo val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640

    Эта команда оценивает модель на указанном наборе данных и выводит метрики производительности, например mAP, точность и полноту. Подробнее см. в разделе Val.

  • Модели YOLO можно экспортировать в различные форматы, включая ONNX, TensorRT, CoreML, TensorFlow и другие. Например, чтобы экспортировать модель в формат ONNX, выполни:

    yolo export model=yolo26n.pt format=onnx

    Команда экспорта поддерживает множество параметров для оптимизации модели под конкретные среды развёртывания. Полный список доступных форматов экспорта и соответствующих параметров см. на странице экспорта.

  • Ultralytics предоставляет готовые решения через команду solutions. Например, чтобы подсчитывать объекты в видео:

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

    Для этих решений требуется минимальная настройка, и они сразу готовы к выполнению распространённых задач компьютерного зрения. Чтобы увидеть все доступные решения, выполни yolo solutions help. Параметры каждого решения можно настроить в соответствии с твоими потребностями.

Участники
GLglenn-jocher28RAraimbekovm5AMambitious-octopus3BUBurhan-Q3JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Комментарии