YOLO Vision 2026:

Интерфейс командной строки#

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



Watch: Mastering Ultralytics YOLO: CLI
Пример

Команды Ultralytics yolo используют следующий синтаксис:

yolo TASK MODE ARGS

Где:

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

Все аргументы (ARGS) можно найти в полном руководстве по конфигурации или с помощью yolo cfg.

Где:

  • TASK (необязательно) — одно из значений [detect, segment, semantic, depth, classify, pose, obb]. Если значение не передано явно, YOLO попытается определить TASK на основе типа модели.
  • MODE (обязательно) — одно из значений [train, val, predict, export, track, benchmark]
  • ARGS (необязательно) — любое количество пользовательских пар arg=value, таких как imgsz=320, которые переопределяют настройки по умолчанию. Полный список доступных ARGS см. на странице Конфигурация и в default.yaml.
Предупреждение

Аргументы должны передаваться в виде пар arg=val, разделенных 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 ❌

Обучение#

Обучи YOLO на датасете COCO8 в течение 100 эпох с размером изображения 640. Полный список доступных аргументов см. на странице Конфигурация.

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

Валидация#

Проверь точность обученной модели на датасете COCO8. Аргументы не требуются, так как model сохраняет свою тренировочную data и аргументы в качестве атрибутов модели.

Пример

Проверь официальную модель YOLO26n:

yolo detect val model=yolo26n.pt

Предсказание#

Используй обученную модель для выполнения предсказаний на изображениях.

Пример

Предсказывай 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 приведены в таблице ниже. Ты можешь экспортировать в любой формат с помощью аргумента 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
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, keras, 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
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
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize

Подробные сведения об export см. на странице Экспорт.

Переопределение аргументов по умолчанию#

Переопределяй аргументы по умолчанию, передавая их в CLI в виде пар arg=value.

Совет

Обучи модель детектирования в течение 10 эпох со скоростью обучения 0.01:

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

Переопределение 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 своем текущем рабочем каталоге с помощью команды yolo copy-cfg, которая создаст файл default_copy.yaml.

Затем ты можешь передать этот файл в качестве 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 решения для распространенных задач компьютерного зрения через интерфейс CLI. Команда yolo solutions открывает доступ к подсчету объектов, обрезке, размытию, мониторингу тренировок, тепловым картам, сегментации экземпляров, VisionEye, оценке скорости, управлению очередями, аналитике, инференсу Streamlit и трекингу на основе зон — полный каталог см. на странице Решения. Запусти yolo solutions help, чтобы вывести список всех поддерживаемых решений и их аргументов.

Пример

Подсчитывай объекты на видео или в реальном времени:

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.

FAQ#

  • Чтобы обучить модель с помощью CLI, выполни однострочную команду в терминале. Например, чтобы обучить модель детектирования в течение 10 эпох со скоростью обучения 0.01, запуск:

    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 см. в Руководстве по конфигурации.

  • CLI Ultralytics YOLO поддерживает различные задачи, включая детектирование, сегментацию, семантическую сегментацию, оценку глубины, классификацию, оценку позы и детектирование с ориентированными ограничивающими рамками. Ты также можешь выполнять следующие операции:

    • Обучить модель: запусти yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
    • Запустить предсказания: используй yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
    • Экспортировать модель: выполни yolo export model=<model.pt> format=<export_format>.
    • Использовать решения: запусти yolo solutions <solution_name> для готовых приложений.

    Настраивай каждую задачу с помощью различных аргументов. Подробный синтаксис и примеры см. в соответствующих разделах: Обучение, Предсказание и Экспорт.

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

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

    Эта команда оценивает модель на указанном датасете и выдает метрики производительности, такие как mAP, точность и полнота. Более подробную информацию см. в разделе Val.

  • 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.

  • Ultralytics предоставляет готовые к использованию решения с помощью команды solutions. Например, чтобы посчитать объекты в видео:

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

    Эти решения требуют минимальной настройки и обеспечивают немедленную функциональность для распространенных задач компьютерного зрения. Чтобы просмотреть все доступные решения, запусти yolo solutions help. Каждое решение имеет специфические параметры, которые можно настроить под твои нужды.

Участники
GLglenn-jocher27AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Комментарии