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 (необязательный) является одним из [detect, segment, classify, pose, obb]
- MODE (обязательный) 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.
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=yolo26n.pt epochs=10 lr0=0.01
Предсказание с использованием предварительно обученной модели сегментации на видео YouTube с размером изображения 320:
yolo predict model=yolo26n-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=yolo26n.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=yolo26n-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 вывестиTASKиз типа модели.MODE(обязательно) является одним из[train, val, predict, export, track, benchmark]ARGS(необязательно) любое количество пользовательскихarg=valueпары, такие какimgsz=320, которые переопределяют значения по умолчанию. Для получения полного списка доступныхARGS, см. Конфигурация страницу иdefault.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=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
Обучите YOLO на наборе данных COCO8 в течение 100 эпох при размере изображения 640. Полный список доступных аргументов см. на странице Конфигурация.
Пример
Начать 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
Возобновление прерванной тренировки:
yolo detect train resume model=last.pt
Валидация
Проверка точность обученной модели на наборе данных COCO8. Никакие аргументы не требуются, так как model сохраняет свое обучение data и аргументы в качестве атрибутов модели.
Пример
Проверить официальную модель YOLO26n:
yolo detect val model=yolo26n.pt
Проверка пользовательской обученной модели:
yolo detect val model=path/to/best.pt
Прогнозирование
Используйте обученную модель для выполнения прогнозов на изображениях.
Пример
Прогнозировать с помощью официальной модели YOLO26n:
yolo detect predict model=yolo26n.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
Экспортировать официальную модель YOLO26n в формат ONNX:
yolo export model=yolo26n.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 | - | 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, 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, device |
| TF.js | tfjs | yolo26n_web_model/ | ✅ | imgsz, half, int8, nms, batch, 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 |
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=yolo26n.pt epochs=10 lr0=0.01
Предсказание с использованием предварительно обученной модели сегментации на видео YouTube с размером изображения 320:
yolo segment predict model=yolo26n-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=yolo26n.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 готовые к использованию решения для распространенных задач компьютерного зрения через интерфейс CLI. yolo solutions команда предоставляет такие функции, как подсчет объектов, кадрирование, размытие, мониторинг тренировок, тепловые карты, сегментация экземпляров, VisionEye, оценка скорости, управление очередями, аналитика, вычисления в Streamlit и отслеживание по зонам — см. Решения Страница с полным каталогом. Запустить yolo solutions help чтобы перечислить все поддерживаемые решения и их аргументы.
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
Обрезать обнаруженные объекты и сохранить их на диск:
yolo solutions crop show=True
yolo solutions crop source="path/to/video.mp4" # specify video file path
yolo solutions crop classes="[0, 2]" # crop only selected classes
Размыть объекты, обнаруженные в видео, в целях обеспечения конфиденциальности или для выделения других областей:
yolo solutions blur show=True
yolo solutions blur source="path/to/video.mp4" # specify video file path
yolo solutions blur classes="[0, 5]" # blur only selected classes
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
Создать тепловую карту, отображающую плотность объектов и схемы их перемещения:
yolo solutions heatmap show=True
yolo solutions heatmap source="path/to/video.mp4" # specify video file path
yolo solutions heatmap colormap=cv2.COLORMAP_INFERNO # customize colormap
yolo solutions heatmap region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # restrict heatmap to a region
Запустить сегментацию объектов с отслеживанием на видео:
yolo solutions isegment show=True
yolo solutions isegment source="path/to/video.mp4" # specify video file path
yolo solutions isegment classes="[0, 5]" # segment only selected classes
Нарисуйте линии визуального контакта между объектом и наблюдателем с помощью VisionEye:
yolo solutions visioneye show=True
yolo solutions visioneye source="path/to/video.mp4" # specify video file path
yolo solutions visioneye classes="[0, 5]" # monitor only selected classes
Оцените скорость движущихся объектов на видео:
yolo solutions speed show=True
yolo solutions speed source="path/to/video.mp4" # specify video file path
yolo solutions speed meter_per_pixel=0.05 # set scale for real-world units
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
Создавайте аналитические диаграммы (линейные, гистограммы, площадные или круговые) на основе отслеживаемых обнаружений:
yolo solutions analytics show=True
yolo solutions analytics source="path/to/video.mp4" # specify video file path
yolo solutions analytics analytics_type="pie" show=True
yolo solutions analytics analytics_type="bar" show=True
yolo solutions analytics analytics_type="area" show=True
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
Отслеживать объекты только внутри указанной многоугольной зоны:
yolo solutions trackzone show=True
yolo solutions trackzone source="path/to/video.mp4" # specify video file path
yolo solutions trackzone region="[(150, 150), (1130, 150), (1130, 570), (150, 570)]" # configure zone coordinates
Подсчитать объекты внутри определенных многоугольных областей:
yolo solutions region show=True
yolo solutions region source="path/to/video.mp4" # specify video file path
yolo solutions region region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # configure region coordinates
Запустить мониторинг охранной сигнализации с функцией обнаружения объектов:
yolo solutions security show=True
yolo solutions security source="path/to/video.mp4" # specify video file path
Контролируйте заполненность парковки с помощью заранее определённых зон:
yolo solutions parking source="path/to/video.mp4" json_file="bounding_boxes.json" # requires pre-built JSON
yolo solutions parking source="path/to/video.mp4" json_file="bounding_boxes.json" model="yolo26n.pt"
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=yolo26n.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=yolo26n.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=yolo26n.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.
