Использование интерфейса командной строки

Интерфейс командной строки YOLO (CLI) позволяет выполнять простые однострочные команды без использования среды Python . Для работы с CLI не требуется настройка или код Python . Вы можете просто запускать все задачи из терминала с помощью команды yolo команда.

Смотреть: Мастеринг Ultralytics YOLO : CLI

yolo TASK MODE ARGS

Where   TASK (optional) is one of [detect, segment, classify, pose, obb]
        MODE (required) is one of [train, val, predict, export, track, benchmark]
        ARGS (optional) are any number of custom 'arg=value' pairs like 'imgsz=320' that override defaults.

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

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

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

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

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 он не передан явно, YOLO11 попытается угадать TASK от типа модели.
• MODE (обязательно) является одним из [train, val, predict, export, track, benchmark]
• ARGS (необязательно) - это любое количество пользовательских arg=value такие пары, как imgsz=320 которые отменяют значения по умолчанию. Полный список доступных ARGS увидеть Конфигурация страница и defaults.yaml

Поезд

Обучение YOLO11n на наборе данных COCO8 в течение 100 эпох при размере изображения 640. Полный список доступных аргументов см. на странице Конфигурация.

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

yolo detect train resume model=last.pt

Вэл

Проверка обученной модели YOLO11n точность на наборе данных COCO8. Аргументы не требуются, так как model сохраняет свою подготовку data и аргументы как атрибуты модели.

yolo detect val model=yolo11n.pt

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

Предсказать

Используйте обученную модель YOLO11n для прогнозирования изображений.

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

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

Экспорт

Экспортируйте модель YOLO11n в другой формат, например ONNX, CoreML и т. д.

yolo export model=yolo11n.pt format=onnx

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

Доступные форматы экспорта YOLO11 приведены в таблице ниже. Вы можете экспортировать в любой формат с помощью кнопки format аргумент, т.е. format='onnx' или format='engine'.

Смотреть полностью export подробности в Экспорт страница.

Переопределение аргументов по умолчанию

Аргументы по умолчанию можно переопределить, просто передав их в качестве аргументов в CLI в arg=value пары.

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

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

yolo detect val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

Переопределение файла конфигурации по умолчанию

Вы можете переопределить default.yaml файл конфигурации полностью, передав новый файл с параметром cfg аргументы, т.е. cfg=custom.yaml.

Для этого сначала создайте копию default.yaml в вашей текущей рабочей папке с помощью yolo copy-cfg команда.

Это позволит создать default_copy.yaml, который затем можно передать как cfg=default_copy.yaml вместе с любыми дополнительными параметрами, например imgsz=320 в данном примере:

yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как использовать интерфейс командной строки Ultralytics YOLO11 (CLI) для обучения модели?

Чтобы обучить модель YOLO11 с помощью CLI, вы можете выполнить простую однострочную команду в терминале. Например, чтобы обучить модель обнаружения в течение 10 эпох с коэффициентом обучения 0,01, нужно выполнить команду:

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 Руководство по настройке.

Какие задачи можно решить с помощью Ultralytics YOLO11 CLI ?

Сайт Ultralytics YOLO11 CLI поддерживает различные задачи, включая обнаружение, сегментацию, классификацию, проверку, предсказание, экспорт и отслеживание. Например:

• Обучение модели: Запускайте yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
• Прогнозы на забег: Используйте yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
• Экспорт модели: Выполнить yolo export model=<model.pt> format=<export_format>.

Каждая задача может быть настроена с помощью различных аргументов. Подробный синтаксис и примеры приведены в соответствующих разделах, таких как Train, Predict и Export.

Как проверить точность обученной модели YOLO11 с помощью сайта CLI?

Чтобы проверить точность модели YOLO11 , используйте val режим. Например, для проверки предварительно обученной модели обнаружения с помощью размер партии 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. Для получения более подробной информации обратитесь к разделу Val.

В какие форматы можно экспортировать модели YOLO11 с помощью CLI?

YOLO11 Модели можно экспортировать в различные форматы, такие как ONNX, CoreML, TensorRT и другие. Например, чтобы экспортировать модель в формат ONNX , выполните команду:

yolo export model=yolo11n.pt format=onnx

Для получения подробной информации посетите страницу "Экспорт".

Как настроить команды YOLO11 CLI так, чтобы они отменяли аргументы по умолчанию?

Чтобы отменить аргументы по умолчанию в командах YOLO11 CLI , передайте их как arg=value пары. Например, чтобы обучить модель с пользовательскими аргументами, используйте:

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Полный список доступных аргументов и их описание см. в Руководстве по конфигурации. Убедитесь, что аргументы правильно отформатированы, как показано в разделе Переопределение аргументов по умолчанию.

📅 Создано 1 год назад ✏️ Обновлено 2 месяца назад

Комментарии