Перейти к содержанию

Интерфейс командной строки

Интерфейс командной строкиCLI) Ultralytics обеспечивает простой способ использования моделей Ultralytics YOLO без использования среды Python . CLI поддерживает запуск различных задач непосредственно из терминала с помощью команды yolo команда, не требующая настройки или кода Python .



Смотреть: Мастеринг Ultralytics YOLO : CLI

Пример

Ultralytics yolo В командах используется следующий синтаксис: 

yolo TASK MODE ARGS

Где: - TASK (необязательно) - одно из [detect, segment, classify, pose, obb]. - MODE (требуется) является одним из [train, val, predict, export, track, benchmark]. - ARGS (необязательно) - это любое количество пользовательских arg=value такие пары, как imgsz=320 которые отменяют значения по умолчанию.

Смотреть все ARGS в полном объеме Руководство по настройке 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

Прогнозирование с помощью предварительно обученной модели сегментации на видеоролике YouTube с размером изображения 320:

yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Проверьте предварительно обученную модель обнаружения с размером партии 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 (не требуется TASK):

yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128

Выполняйте специальные команды для просмотра версий, настроек, запуска проверок и т. д:

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 значение не передано явно, YOLO попытается вывести значение TASK от типа модели.
  • MODE (обязательно) является одним из [train, val, predict, export, track, benchmark]
  • ARGS (необязательно) - это любое количество пользовательских arg=value такие пары, как imgsz=320 которые отменяют значения по умолчанию. Полный список доступных ARGSсм. Конфигурация страница и defaults.yaml.

Внимание

Аргументы должны быть переданы как arg=val пары, разделенные знаком равенства = знак и разделены 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   ❌

Поезд

Обучение YOLO на наборе данных COCO8 в течение 100 эпох при размере изображения 640. Полный список доступных аргументов см. на странице Конфигурация.

Пример

Запустите обучение YOLO11n на COCO8 для 100 эпох при размере изображения 640:

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Возобновите прерванное занятие:

yolo detect train resume model=last.pt

Вэл

Проверьте точность обученной модели на наборе данных COCO8. Аргументы не требуются, так как model сохраняет свою подготовку data и аргументы как атрибуты модели.

Пример

Проверьте официальную модель YOLO11n:

yolo detect val model=yolo11n.pt

Проверка модели, обученной на заказ:

yolo detect val model=path/to/best.pt

Предсказать

Используйте обученную модель для прогнозирования изображений.

Пример

Прогнозируйте с помощью официальной модели YOLO11n:

yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

Прогнозирование с помощью 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

Экспорт настраиваемой модели в формат ONNX :

yolo export model=path/to/best.pt format=onnx

Доступные форматы экспорта Ultralytics приведены 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, optimize, nms, batch
ONNX onnx yolo11n.onnx ✅ imgsz, half, dynamic, simplify, opset, nms, batch
OpenVINO openvino yolo11n_openvino_model/ ✅ imgsz, half, dynamic, int8, nms, batch, data
TensorRT engine yolo11n.engine ✅ imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data
CoreML coreml yolo11n.mlpackage ✅ imgsz, half, int8, nms, batch
TF SavedModel saved_model yolo11n_saved_model/ ✅ imgsz, keras, int8, nms, batch
TF GraphDef pb yolo11n.pb ❌ imgsz, batch
TF Lite tflite yolo11n.tflite ✅ imgsz, half, int8, nms, batch, data
TF Край TPU edgetpu yolo11n_edgetpu.tflite ✅ imgsz
TF.js tfjs yolo11n_web_model/ ✅ imgsz, half, int8, nms, batch
PaddlePaddle paddle yolo11n_paddle_model/ ✅ imgsz, batch
MNN mnn yolo11n.mnn ✅ imgsz, batch, int8, half
NCNN ncnn yolo11n_ncnn_model/ ✅ imgsz, half, batch
IMX500 imx yolov8n_imx_model/ ✅ imgsz, int8, data
RKNN rknn yolo11n_rknn_model/ ✅ imgsz, batch, name

Смотреть полностью export подробности о Экспорт страница.

Переопределение аргументов по умолчанию

Отмените аргументы по умолчанию, передав их в CLI как arg=value пары.

Наконечник

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

Прогнозирование с помощью предварительно обученной модели сегментации на видеоролике YouTube с размером изображения 320:

yolo segment predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Проверьте предварительно обученную модель обнаружения с размером партии 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 полностью, передав новый файл с параметром cfg аргумент, например cfg=custom.yaml.

Чтобы сделать это, сначала создайте копию default.yaml в текущем рабочем каталоге с помощью yolo copy-cfg команда, которая создает default_copy.yaml файл.

Затем вы можете передать этот файл в качестве cfg=default_copy.yaml вместе с любыми дополнительными аргументами, например imgsz=320 в данном примере:

Пример

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

Команды решений

Ultralytics предоставляет готовые решения для распространенных приложений компьютерного зрения через CLI. Эти решения упрощают реализацию сложных задач, таких как подсчет объектов, мониторинг тренировок и управление очередями.

Пример

Подсчитывайте объекты в видео или живом потоке:

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

Контролируйте тренировочные упражнения с помощью 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 заданной очереди или области:

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

Выполняйте 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

Ознакомьтесь с доступными решениями и их вариантами:

yolo solutions help

Более подробную информацию о решениях Ultralytics можно найти на странице "Решения".

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как использовать интерфейс командной строкиCLI) 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 с коэффициентом обучения 0,01, выполните команду:

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 Руководство по настройке.

Какие задачи можно выполнять с помощью Ultralytics YOLO CLI?

Ultralytics YOLO CLI поддерживает различные задачи, включая обнаружение, сегментацию, классификацию, оценку позы и определение ориентированных границ. Вы также можете выполнять такие операции, как:

  • Обучение модели: Запускайте yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
  • Прогнозы на забег: Используйте yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
  • Экспорт модели: Выполнить yolo export model=<model.pt> format=<export_format>.
  • Используйте решения: Запускайте yolo solutions <solution_name> для готовых приложений.

Настройте каждую задачу с помощью различных аргументов. Подробный синтаксис и примеры приведены в соответствующих разделах, таких как Train, Predict и Export.

Как проверить точность обученной модели YOLO с помощью CLI?

Для проверки модели точностьиспользуйте val режим. Например, для проверки предварительно обученной модели обнаружения с помощью размер партии 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 такие показатели эффективности, как mAP, precision и recall. Для получения более подробной информации обратитесь к разделу Val.

В какие форматы можно экспортировать 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 , выполните команду:

yolo export model=yolo11n.pt format=onnx

Команда экспорта поддерживает множество опций, позволяющих оптимизировать модель для конкретных сред развертывания. Для получения подробной информации обо всех доступных форматах экспорта и их специфических параметрах посетите страницу Экспорт.

Как использовать готовые решения в Ultralytics CLI?

Ultralytics предоставляет готовые к использованию решения через solutions команда. Например, для подсчета объектов в видеоролике:

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

Эти решения требуют минимальной настройки и обеспечивают немедленную функциональность для решения распространенных задач компьютерного зрения. Чтобы увидеть все доступные решения, запустите yolo solutions help. Каждое решение имеет определенные параметры, которые могут быть настроены в соответствии с вашими потребностями.

📅 Создано 1 год назад ✏️ Обновлено 5 дней назад
гленн-джохер УльтралитикаПомощник jk4e Мэтью Нойс амбициозный осьминог Бурхан-Q РизванМунавар АюшЭксель Laughing-q нихуй

Комментарии