Перейти к содержанию

Интерфейс командной строки

Интерфейс командной строки (CLI) Ultralytics предоставляет простой способ использования моделей Ultralytics YOLO без необходимости использования среды Python. CLI поддерживает выполнение различных задач непосредственно из терминала с помощью yolo команду, не требующую настройки или кода на python.



Смотреть: Освоение Ultralytics YOLO: CLI

Пример

Ultralytics yolo команды используют следующий синтаксис:

yolo TASK MODE ARGS

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

Смотрите все ARGS в полном Руководстве по конфигурации 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

Предсказание с использованием предварительно обученной модели сегментации на видео YouTube с размером изображения 320:

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

Проверка предварительно обученной модели обнаружения с размером пакета 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 (TASK не требуется):

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

Выполните специальные команды для просмотра версии, настроек, запуска проверок и многого другого:

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 не передано явно, YOLO попытается вывести TASK из типа модели.
  • MODE (обязательно) является одним из [train, val, predict, export, track, benchmark]
  • ARGS (необязательно) любое количество пользовательских arg=value пары, такие как imgsz=320 , которые переопределяют значения по умолчанию. Для получения полного списка доступных ARGS, см. Конфигурация страницу и defaults.yaml.

Предупреждение

Аргументы должны передаваться как arg=val пары, разделенные знаком равенства = равенства и разделенные 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   ❌

Обучение

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

Пример

Начните обучение YOLO11n на COCO8 в течение 100 эпох при размере изображения 640:

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

Возобновление прерванной тренировки:

yolo detect train resume model=last.pt

Валидация

Проверка точность обученной модели на наборе данных COCO8. Аргументы не требуются, так как model сохраняет свое обучение data и аргументы в качестве атрибутов модели.

Пример

Проверка официальной модели YOLO11n:

yolo detect val model=yolo11n.pt

Проверка пользовательской обученной модели:

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

Прогнозирование

Используйте обученную модель для выполнения прогнозов на изображениях.

Пример

Предсказание с использованием официальной модели YOLO11n:

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

Предсказание с использованием 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

Экспортируйте пользовательскую обученную модель в формат ONNX:

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

Доступные форматы экспорта Ultralytics представлены 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, half, dynamic, optimize, nms, batch, device
ONNX onnx yolo11n.onnx imgsz, half, dynamic, simplify, opset, nms, batch, device
OpenVINO openvino yolo11n_openvino_model/ imgsz, half, dynamic, int8, nms, batch, data, fraction, device
TensorRT engine yolo11n.engine imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device
CoreML coreml yolo11n.mlpackage imgsz, half, int8, nms, batch, device
TF SavedModel saved_model yolo11n_saved_model/ imgsz, keras, int8, nms, batch, device
TF GraphDef pb yolo11n.pb imgsz, batch, device
TF Lite tflite yolo11n.tflite imgsz, half, int8, nms, batch, data, fraction, device
TF Edge TPU edgetpu yolo11n_edgetpu.tflite imgsz, device
TF.js tfjs yolo11n_web_model/ imgsz, half, int8, nms, batch, device
PaddlePaddle paddle yolo11n_paddle_model/ imgsz, batch, device
MNN mnn yolo11n.mnn imgsz, batch, int8, half, device
NCNN ncnn yolo11n_ncnn_model/ imgsz, half, batch, device
IMX500 imx yolo11n_imx_model/ imgsz, int8, data, fraction, device
RKNN rknn yolo11n_rknn_model/ imgsz, batch, name, device

Смотрите полную информацию о export подробности о Экспорт странице.

Переопределение аргументов по умолчанию

Переопределите аргументы по умолчанию, передав их в CLI как arg=value пар.

Совет

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

Предсказание с использованием предварительно обученной модели сегментации на видео YouTube с размером изображения 320:

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

Проверка предварительно обученной модели обнаружения с размером пакета 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, передав новый файл с cfg аргумент, такой как cfg=custom.yaml.

Для этого сначала создайте копию default.yaml в вашем текущем рабочем каталоге с yolo copy-cfg команду, которая создает default_copy.yaml файле.

Затем вы можете 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

Команды решений

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

Пример

Подсчет объектов в видео или прямой трансляции:

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

Мониторинг упражнений с использованием 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 указанной очереди или регионе:

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

Выполните 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

Просмотр доступных решений и их опций:

yolo solutions help

Для получения дополнительной информации о решениях Ultralytics посетите страницу Решения.

Часто задаваемые вопросы

Как использовать интерфейс командной строки (CLI) 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 со скоростью обучения 0,01, выполните:

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 Руководстве по конфигурации.

Какие задачи я могу выполнять с помощью Ultralytics YOLO CLI?

Ultralytics YOLO CLI поддерживает различные задачи, включая обнаружение, сегментацию, классификацию, оценку позы и обнаружение ориентированных ограничивающих рамок. Вы также можете выполнять такие операции, как: Настройте каждую задачу с помощью различных аргументов. Подробный синтаксис и примеры см. в соответствующих разделах, таких как Train, Predict и Export.

  • Обучить модель: Запустить yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
  • Запустить прогнозы: Используйте yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
  • Экспорт модели: Выполнить yolo export model=<model.pt> format=<export_format>.
  • Используйте Solutions: Запустить yolo solutions <solution_name> для готовых приложений.

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

Как проверить точность обученной модели YOLO с помощью CLI?

Чтобы проверить модель точность, используйте val режим. Например, чтобы проверить предварительно обученную модель обнаружения с размер пакета 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 показатели производительности, такие как mAP, точность и полнота. Для получения более подробной информации обратитесь к разделу Val.

В какие форматы я могу экспортировать свои 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, запустите:

yolo export model=yolo11n.pt format=onnx

Команда export поддерживает множество опций для оптимизации вашей модели для конкретных сред развертывания. Для получения полной информации обо всех доступных форматах экспорта и их конкретных параметрах посетите страницу Export.

Как использовать готовые решения в Ultralytics CLI?

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

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

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



📅 Создано 1 год назад ✏️ Обновлено 5 месяцев назад

Комментарии