Интерфейс командной строки
Интерфейс командной строки (CLI) Ultralytics предоставляет простой способ использования моделей Ultralytics YOLO без необходимости использования среды Python. CLI поддерживает выполнение различных задач непосредственно из терминала с помощью yolo
команду, не требующую настройки или кода на python.
Смотреть: Освоение Ultralytics YOLO: CLI
Пример
Ultralytics yolo
команды используют следующий синтаксис:
yolo TASK MODE ARGS
Где:
- TASK
(необязательно) — одно из [detect, segment, classify, pose, obb]
- MODE
(обязательный) — одно из [train, val, predict, export, track, benchmark]
- ARGS
(необязательно) любое количество пользовательских arg=value
пары, такие как imgsz=320
которые переопределяют значения по умолчанию.
Смотрите все ARGS в полном Руководстве по конфигурации или с yolo cfg
.
Обучите модель обнаружения в течение 10 эпох с начальной скоростью обучения 0,01:
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Предсказание с использованием предварительно обученной модели сегментации на видео YouTube с размером изображения 320:
yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
Проверка предварительно обученной модели обнаружения с размером пакета 1 и размером изображения 640:
yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
Экспортируйте модель классификации YOLO в формат ONNX с размером изображения 224x128 (TASK не требуется):
yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128
Выполните специальные команды для просмотра версии, настроек, запуска проверок и многого другого:
yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg
Где:
TASK
(необязательно) является одним из[detect, segment, classify, pose, obb]
. Если не передано явно, YOLO попытается вывестиTASK
из типа модели.MODE
(обязательно) является одним из[train, val, predict, export, track, benchmark]
ARGS
(необязательно) любое количество пользовательскихarg=value
пары, такие какimgsz=320
, которые переопределяют значения по умолчанию. Для получения полного списка доступныхARGS
, см. Конфигурация страницу иdefaults.yaml
.
Предупреждение
Аргументы должны передаваться как arg=val
пары, разделенные знаком равенства =
равенства и разделенные пробелами между парами. Не используйте --
префиксы аргументов или запятые ,
между аргументами.
yolo predict model=yolo11n.pt imgsz=640 conf=0.25
✅yolo predict model yolo11n.pt imgsz 640 conf 0.25
❌yolo predict --model yolo11n.pt --imgsz 640 --conf 0.25
❌
Обучение
Обучите YOLO на наборе данных COCO8 в течение 100 эпох при размере изображения 640. Полный список доступных аргументов см. на странице Конфигурация.
Пример
Начните обучение YOLO11n на COCO8 в течение 100 эпох при размере изображения 640:
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
Возобновление прерванной тренировки:
yolo detect train resume model=last.pt
Валидация
Проверка точность обученной модели на наборе данных COCO8. Аргументы не требуются, так как model
сохраняет свое обучение data
и аргументы в качестве атрибутов модели.
Пример
Проверка официальной модели YOLO11n:
yolo detect val model=yolo11n.pt
Проверка пользовательской обученной модели:
yolo detect val model=path/to/best.pt
Прогнозирование
Используйте обученную модель для выполнения прогнозов на изображениях.
Пример
Предсказание с использованием официальной модели YOLO11n:
yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
Предсказание с использованием пользовательской модели:
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'
Экспорт
Экспортируйте модель в другой формат, например ONNX или CoreML.
Пример
Экспортируйте официальную модель YOLO11n в формат ONNX:
yolo export model=yolo11n.pt format=onnx
Экспортируйте пользовательскую обученную модель в формат ONNX:
yolo export model=path/to/best.pt format=onnx
Доступные форматы экспорта Ultralytics представлены в таблице ниже. Вы можете экспортировать в любой формат, используя format
аргумент, т.е., format='onnx'
или format='engine'
.
Формат | format Аргумент |
Модель | Метаданные | Аргументы |
---|---|---|---|---|
PyTorch | - | yolo11n.pt |
✅ | - |
TorchScript | torchscript |
yolo11n.torchscript |
✅ | imgsz , half , dynamic , optimize , nms , batch , device |
ONNX | onnx |
yolo11n.onnx |
✅ | imgsz , half , dynamic , simplify , opset , nms , batch , device |
OpenVINO | openvino |
yolo11n_openvino_model/ |
✅ | imgsz , half , dynamic , int8 , nms , batch , data , fraction , device |
TensorRT | engine |
yolo11n.engine |
✅ | imgsz , half , dynamic , simplify , workspace , int8 , nms , batch , data , fraction , device |
CoreML | coreml |
yolo11n.mlpackage |
✅ | imgsz , half , int8 , nms , batch , device |
TF SavedModel | saved_model |
yolo11n_saved_model/ |
✅ | imgsz , keras , int8 , nms , batch , device |
TF GraphDef | pb |
yolo11n.pb |
❌ | imgsz , batch , device |
TF Lite | tflite |
yolo11n.tflite |
✅ | imgsz , half , int8 , nms , batch , data , fraction , device |
TF Edge TPU | edgetpu |
yolo11n_edgetpu.tflite |
✅ | imgsz , device |
TF.js | tfjs |
yolo11n_web_model/ |
✅ | imgsz , half , int8 , nms , batch , device |
PaddlePaddle | paddle |
yolo11n_paddle_model/ |
✅ | imgsz , batch , device |
MNN | mnn |
yolo11n.mnn |
✅ | imgsz , batch , int8 , half , device |
NCNN | ncnn |
yolo11n_ncnn_model/ |
✅ | imgsz , half , batch , device |
IMX500 | imx |
yolo11n_imx_model/ |
✅ | imgsz , int8 , data , fraction , device |
RKNN | rknn |
yolo11n_rknn_model/ |
✅ | imgsz , batch , name , device |
Смотрите полную информацию о export
подробности о Экспорт странице.
Переопределение аргументов по умолчанию
Переопределите аргументы по умолчанию, передав их в CLI как arg=value
пар.
Совет
Обучите модель обнаружения в течение 10 эпох со скоростью обучения 0,01:
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Предсказание с использованием предварительно обученной модели сегментации на видео YouTube с размером изображения 320:
yolo segment predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
Проверка предварительно обученной модели обнаружения с размером пакета 1 и размером изображения 640:
yolo detect val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
Переопределение файла конфигурации по умолчанию
Переопределить default.yaml
файл конфигурации, передав новый файл с cfg
аргумент, такой как cfg=custom.yaml
.
Для этого сначала создайте копию default.yaml
в вашем текущем рабочем каталоге с yolo copy-cfg
команду, которая создает default_copy.yaml
файле.
Затем вы можете передать этот файл как cfg=default_copy.yaml
вместе с любыми дополнительными аргументами, такими как imgsz=320
в этом примере:
Пример
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320
Команды решений
Ultralytics предоставляет готовые к использованию решения для распространенных приложений компьютерного зрения через CLI. Эти решения упрощают реализацию сложных задач, таких как подсчет объектов, мониторинг тренировок и управление очередями.
Пример
Подсчет объектов в видео или прямой трансляции:
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file path
Мониторинг упражнений с использованием модели позы:
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
Подсчет объектов в указанной очереди или регионе:
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
Выполните обнаружение объектов, сегментацию экземпляров или оценку позы в веб-браузере с помощью Streamlit:
yolo solutions inference
yolo solutions inference model="path/to/model.pt" # use custom model
Просмотр доступных решений и их опций:
yolo solutions help
Для получения дополнительной информации о решениях Ultralytics посетите страницу Решения.
Часто задаваемые вопросы
Как использовать интерфейс командной строки (CLI) Ultralytics YOLO для обучения модели?
Чтобы обучить модель с помощью CLI, выполните однострочную команду в терминале. Например, чтобы обучить модель обнаружения в течение 10 эпох со скоростью обучения 0,01, выполните:
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Эта команда использует train
режим с определенными аргументами. Полный список доступных аргументов см. в разделе Руководстве по конфигурации.
Какие задачи я могу выполнять с помощью Ultralytics YOLO CLI?
Ultralytics YOLO CLI поддерживает различные задачи, включая обнаружение, сегментацию, классификацию, оценку позы и обнаружение ориентированных ограничивающих рамок. Вы также можете выполнять такие операции, как: Настройте каждую задачу с помощью различных аргументов. Подробный синтаксис и примеры см. в соответствующих разделах, таких как Train, Predict и Export.
- Обучить модель: Запустить
yolo train data=<data.yaml> model=<model.pt> epochs=<num>
. - Запустить прогнозы: Используйте
yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>
. - Экспорт модели: Выполнить
yolo export model=<model.pt> format=<export_format>
. - Используйте Solutions: Запустить
yolo solutions <solution_name>
для готовых приложений.
Настройте каждую задачу с помощью различных аргументов. Подробный синтаксис и примеры см. в соответствующих разделах, таких как Train, Predict и Export.
Как проверить точность обученной модели YOLO с помощью CLI?
Чтобы проверить модель точность, используйте val
режим. Например, чтобы проверить предварительно обученную модель обнаружения с размер пакета 1 и размер изображения 640, запустите:
yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
Эта команда оценивает модель на указанном наборе данных и предоставляет показатели производительности, такие как mAP, точность и полнота. Для получения более подробной информации обратитесь к разделу Val.
В какие форматы я могу экспортировать свои модели YOLO с помощью CLI?
Вы можете экспортировать модели YOLO в различные форматы, включая ONNX, TensorRT, CoreML, TensorFlow и другие. Например, чтобы экспортировать модель в формат ONNX, запустите:
yolo export model=yolo11n.pt format=onnx
Команда export поддерживает множество опций для оптимизации вашей модели для конкретных сред развертывания. Для получения полной информации обо всех доступных форматах экспорта и их конкретных параметрах посетите страницу Export.
Как использовать готовые решения в Ultralytics CLI?
Ultralytics предоставляет готовые к использованию решения через solutions
команду. Например, чтобы подсчитать объекты в видео:
yolo solutions count source="path/to/video.mp4"
Эти решения требуют минимальной настройки и обеспечивают немедленную функциональность для общих задач компьютерного зрения. Чтобы увидеть все доступные решения, запустите yolo solutions help
. Каждое решение имеет определенные параметры, которые можно настроить в соответствии с вашими потребностями.