Интерфейс командной строки
Интерфейс командной строки (CLI) Ultralytics предоставляет простой способ использования моделей Ultralytics YOLO без необходимости настройки среды Python. CLI поддерживает выполнение различных задач напрямую из терминала с помощью команды yolo, что не требует кастомизации или написания кода на Python.
Watch: Mastering Ultralytics YOLO: CLI
Команды Ultralytics yolo используют следующий синтаксис:
yolo TASK MODE ARGSГде:
TASK(опционально) — это одно из значений [detect, segment, classify, pose, obb]MODE(обязательно) — это одно из значений [train, val, predict, export, track, benchmark]ARGS(опционально) — это любое количество пользовательских парarg=value, напримерimgsz=320, которые переопределяют значения по умолчанию.
Смотри все ARGS в полном Руководстве по конфигурации или с помощью команды yolo cfg.
Где:
TASK(опционально) — это одно из значений[detect, segment, classify, pose, obb]. Если параметр не передан явно, YOLO попытается определитьTASKпо типу модели.MODE(обязательно) — это одно из значений[train, val, predict, export, track, benchmark]ARGS(опционально) — это любое количество пользовательских парarg=value, таких какimgsz=320, которые переопределяют параметры по умолчанию. Полный список доступныхARGSсмотри на странице Конфигурация и вdefault.yaml.
Аргументы должны передаваться как пары arg=val, разделенные знаком равенства = и пробелами между парами. Не используй префиксы -- для аргументов или запятые , между ними.
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 смотри на странице Конфигурация.
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=640Валидация
Проверь точность обученной модели на датасете COCO8. Аргументы не нужны, так как model сохраняет свои data обучения и аргументы в качестве атрибутов модели.
Проведи валидацию официальной модели YOLO26n:
yolo detect val model=yolo26n.ptПрогнозирование
Используй обученную модель для выполнения предсказаний на изображениях.
Предсказание с официальной моделью YOLO26n:
yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'Экспорт
Экспортируй модель в другой формат, например ONNX или CoreML.
Экспортируй официальную модель YOLO26n в формат ONNX:
yolo export model=yolo26n.pt format=onnxДоступные форматы экспорта Ultralytics приведены в таблице ниже. Ты можешь экспортировать в любой формат, используя аргумент format, например, format='onnx' или format='engine'.
| Формат | Аргумент format | Модель | Метаданные | Аргументы |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, half, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, half, dynamic, simplify, opset, nms, batch, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, half, dynamic, int8, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, half, int8, nms, batch, device |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, keras, int8, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, batch, device |
| TF Lite | tflite | yolo26n.tflite | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, int8, data, fraction, device |
| TF.js | tfjs | yolo26n_web_model/ | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, int8, half, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, half, batch, device |
| IMX500 | imx | yolo26n_imx_model/ | ✅ | imgsz, int8, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, int8, data, fraction, device |
| DeepX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, int8, data, optimize, device |
Полные сведения об export см. на странице Export.
Переопределение аргументов по умолчанию
Переопределяй аргументы по умолчанию, передавая их в CLI как пары arg=value.
Обучи модель детектирования в течение 10 эпох с коэффициентом обучения 0.01:
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01Переопределение 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 текущей рабочей директории 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:
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320Команды решений
Ultralytics предоставляет готовые решения для типичных задач компьютерного зрения через CLI. Команда yolo solutions открывает доступ к подсчету объектов, обрезке, размытию, мониторингу тренировок, тепловым картам, сегментации экземпляров, VisionEye, оценке скорости, управлению очередями, аналитике, логическому выводу в Streamlit и отслеживанию по зонам — полный каталог смотри на странице Solutions. Запусти yolo solutions help, чтобы вывести список всех поддерживаемых решений и их аргументов.
Подсчитывай объекты на видео или в прямом эфире:
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file pathДля получения дополнительной информации о решениях Ultralytics посети страницу Solutions.
Часто задаваемые вопросы (FAQ)
Как 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 скоростью обучения 0.01, запусти:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01Эта команда использует режим train с определенными аргументами. Полный список доступных аргументов см. в Руководстве по конфигурации.
Какие задачи я могу выполнять с помощью CLI Ultralytics YOLO?
CLI Ultralytics YOLO поддерживает различные задачи, включая детектирование, 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.
Как 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=640Эта команда оценивает модель на указанном наборе данных и предоставляет метрики производительности, такие как mAP, precision и recall. Более подробную информацию смотри в разделе Val.
В 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=onnxКоманда экспорта поддерживает множество опций для оптимизации твоей модели под конкретные среды развертывания. Полную информацию обо всех доступных форматах экспорта и их специфических параметрах смотри на странице Export.
Как использовать готовые решения в CLI Ultralytics?
Ultralytics предоставляет готовые решения с помощью команды solutions. Например, для подсчета объектов 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. У каждого решения есть специфические параметры, которые можно настроить под свои нужды.