Meet YOLO26: next-gen vision AI.

Link to this sectionИнтерфейс командной строки#

Интерфейс командной строки (CLI) Ultralytics предоставляет простой способ использования моделей Ultralytics YOLO без необходимости настройки среды Python. CLI поддерживает выполнение различных задач прямо из терминала с помощью команды yolo, не требуя никакой дополнительной настройки или написания кода на Python.



Watch: Mastering Ultralytics YOLO: CLI
Пример

Команды Ultralytics yolo используют следующий синтаксис:

yolo TASK MODE ARGS

Где:

  • TASK (необязательно) — это один из вариантов: [detect, segment, semantic, classify, pose, obb]
  • MODE (обязательно) — это один из вариантов: [train, val, predict, export, track, benchmark]
  • ARGS (необязательно) — это любое количество пользовательских пар arg=value, например imgsz=320, которые переопределяют значения по умолчанию.

Ознакомься со всеми ARGS в полном Руководстве по конфигурации или с помощью команды yolo cfg.

Где:

  • TASK (необязательно) — это один из вариантов: [detect, segment, semantic, classify, pose, obb]. Если не указано явно, YOLO попытается определить TASK исходя из типа модели.
  • MODE (обязательно) — это один из вариантов: [train, val, predict, export, track, benchmark]
  • ARGS (необязательно) — это любое количество пользовательских пар arg=value, например imgsz=320, которые переопределяют значения по умолчанию. Полный список доступных ARGS смотри на странице Конфигурации и в файле default.yaml.
Предупреждение

Аргументы должны передаваться как пары arg=val, разделенные знаком равенства = и пробелами между парами. Не используй префиксы аргументов -- или запятые , между аргументами.

  • 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 ❌

Link to this sectionОбучение#

Обучи YOLO на наборе данных COCO8 в течение 100 эпох при размере изображения 640. Полный список доступных аргументов смотри на странице Конфигурации.

Пример

Начни обучение YOLO26n на COCO8 в течение 100 эпох при размере изображения 640:

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

Link to this sectionВалидация#

Проверь точность обученной модели на наборе данных COCO8. Аргументы не требуются, так как model сохраняет свои обучающие данные data и аргументы в качестве атрибутов модели.

Пример

Проверь официальную модель YOLO26n:

yolo detect val model=yolo26n.pt

Link to this sectionПрогнозирование#

Используй обученную модель для выполнения прогнозов на изображениях.

Пример

Прогнозируй с помощью официальной модели YOLO26n:

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

Link to this sectionЭкспорт#

Экспортируй модель в другой формат, такой как ONNX или CoreML.

Пример

Экспортируй официальную модель YOLO26n в формат ONNX:

yolo export model=yolo26n.pt format=onnx

Доступные форматы экспорта Ultralytics приведены в таблице ниже. Ты можешь экспортировать в любой формат, используя аргумент format, например, format='onnx' или format='engine'.

ФорматАргумент formatМодельМетаданныеАргументы
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, half, dynamic, optimize, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, half, int8, dynamic, simplify, opset, nms, batch, data, fraction, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, half, dynamic, int8, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, half, int8, nms, batch, device
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, keras, int8, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, batch, device
TF Litetfliteyolo26n.tflite✅imgsz, half, int8, nms, batch, data, fraction, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, int8, data, fraction, device
TF.jstfjsyolo26n_web_model/✅imgsz, half, int8, nms, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, int8, half, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, half, batch, device
IMX500imxyolo26n_imx_model/✅imgsz, int8, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, int8, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, int8, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, int8, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn_model/✅imgsz, batch, name, int8, data, fraction, device

Полные сведения об export можно найти на странице Экспорт.

Link to this sectionПереопределение аргументов по умолчанию#

Переопредели аргументы по умолчанию, передав их в CLI в виде пар arg=value.

Совет

Обучи модель детектирования в течение 10 эпох с коэффициентом скорости обучения (learning rate) 0.01:

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

Link to this sectionПереопределение файла конфигурации по умолчанию#

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

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

Затем ты можешь 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

Link to this sectionКоманды для решений#

Ultralytics предоставляет готовые решения для распространенных задач компьютерного зрения через CLI. Команда yolo solutions открывает доступ к подсчету объектов, кадрированию, размытию, мониторингу тренировок, тепловым картам, сегментации экземпляров, VisionEye, оценке скорости, управлению очередями, аналитике, выводу через Streamlit и отслеживанию по зонам — смотри страницу Решения для ознакомления с полным каталогом. Запусти yolo solutions help, чтобы получить список всех поддерживаемых решений и их аргументов.

Пример

Подсчитывай объекты на видео или в прямом эфире:

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

Для получения дополнительной информации о решениях Ultralytics посети страницу Решения.

Link to this sectionFAQ#

Link to this sectionКак использовать интерфейс командной строки (CLI) Ultralytics YOLO для обучения моделей?#

Чтобы обучить модель с помощью CLI, выполни однострочную команду в терминале. Например, чтобы обучить модель детектирования в течение 10 эпох с learning rate 0.01, запусти:

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

Эта команда использует режим train с определенными аргументами. Полный список доступных аргументов смотри в Руководстве по конфигурации.

Link to this sectionКакие задачи я могу выполнять с помощью CLI Ultralytics YOLO?#

CLI Ultralytics YOLO поддерживает различные задачи, включая детектирование, сегментацию, семантическую сегментацию, классификацию, оценку позы и детектирование ориентированных ограничивающих рамок. Ты также можешь выполнять такие операции, как:

  • Обучение модели: Запусти 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: Запусти yolo solutions <solution_name> для готовых приложений.

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

Link to this sectionКак проверить точность обученной модели YOLO с помощью CLI?#

Чтобы проверить точность модели, используй режим val. Например, чтобы проверить предобученную модель детектирования с размером пакета 1 и размером изображения 640, запусти:

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

Эта команда оценивает модель на указанном наборе данных и предоставляет метрики производительности, такие как mAP, precision и recall. Более подробную информацию смотри в разделе Val.

Link to this sectionВ какие форматы я могу экспортировать свои модели YOLO с помощью CLI?#

Ты можешь экспортировать модели YOLO в различные форматы, включая ONNX, TensorRT, CoreML, TensorFlow и другие. Например, чтобы экспортировать модель в формат ONNX, запусти:

yolo export model=yolo26n.pt format=onnx

Команда экспорта поддерживает множество опций для оптимизации модели под конкретные среды развертывания. Для получения полной информации обо всех доступных форматах экспорта и их параметрах посети страницу Экспорт.

Link to this sectionКак использовать готовые решения в CLI Ultralytics?#

Ultralytics предоставляет готовые к использованию решения через команду solutions. Например, чтобы подсчитать объекты на видео:

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

Эти решения требуют минимальной настройки и обеспечивают немедленную функциональность для распространенных задач компьютерного зрения. Чтобы увидеть все доступные решения, запусти yolo solutions help. Каждое решение имеет специфические параметры, которые можно настроить в соответствии с твоими потребностями.

Контрибьюторы
GLglenn-jocher27AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Комментарии