Ultralytics YOLO27:

Интерфейс командной строки#

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



Watch: Mastering Ultralytics YOLO: CLI
Пример

Команды yolo Ultralytics 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, таких как imgsz=320, которые переопределяют значения по умолчанию.

Смотри все аргументы в полном руководстве по конфигурации или с помощью yolo cfg.

Где:

  • TASK (необязательно) — одно из значений [detect, segment, semantic, depth, classify, pose, obb]. Если оно не передано явно, YOLO попытается определить аргумент TASK по типу 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 значения по умолчанию. Полный список доступных параметров ARGS см. на странице Конфигурация и в 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 ❌

Обучение#

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

Пример

Запусти обучение YOLO26n на датасете COCO8 на 100 эпох с размером изображения 640:

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

Val#

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

Пример

Проверь официальную модель YOLO26n:

yolo detect val model=yolo26n.pt

Predict#

Используй обученную модель для выполнения предсказаний на изображениях.

Пример

Сделай предсказание 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

nms=None по умолчанию выдает сырые результаты для внешнего NMS. Установи nms=False, чтобы выбрать доступный головной модуль без NMS; неподдерживаемые форматы возвращаются к своему родному пути вывода. Записи nms выше определяют форматы, которые могут встраивать NMS с помощью nms=True.

Смотри подробные сведения об аргументе export на странице Экспорт.

Переопределение аргументов по умолчанию#

Переопредели аргументы по умолчанию, передав их в интерфейсе командной строки 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 файла 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 аргумента 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 задач компьютерного зрения через интерфейс командной строки. Команда yolo solutions предоставляет возможности подсчета объектов, обрезки, размытия, мониторинга тренировок, тепловых карт, сегментации экземпляров, VisionEye, оценки скорости, управления очередями, аналитики, инференса в Streamlit и трекинга на основе зон — полный каталог смотри на странице Решения. Запусти yolo solutions help, чтобы вывести список всех поддерживаемых решений и их аргументов.

Пример

Посчитай 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.

Часто задаваемые вопросы#

  • Чтобы обучить модель с помощью CLI, выполни однострочную команду в терминале. Например, чтобы обучить модель обнаружения 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.

  • Интерфейс Ultralytics YOLO CLI поддерживает различные задачи, включая обнаружение, сегментацию, семантическую сегментацию, оценку глубины, классификацию, оценку позы и обнаружение ориентированных ограничивающих прямоугольников. 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 см. в соответствующих разделах Train, Predict и Export.

  • Чтобы проверить точность модели, используй режим val. Например, чтобы проверить предобученную модель обнаружения 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. Для получения подробной информации обратись к разделу 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. Полную информацию обо всех доступных форматах экспорта и их специфических параметрах см. на странице Экспорт.

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