Использование интерфейса командной строки
Интерфейс командной строки YOLO (CLI) позволяет выполнять простые однострочные команды без необходимости создания среды Python . CLI не требует настройки или Python кода. Ты можешь просто запускать все задания из терминала с помощью команды yolo
Командуй.
Смотри: Мастеринг Ultralytics YOLOv8 : CLI
Пример
Ultralytics yolo
Команды используют следующий синтаксис:
yolo TASK MODE ARGS
Where TASK (optional) is one of [detect, segment, classify]
MODE (required) is one of [train, val, predict, export, track]
ARGS (optional) are any number of custom 'arg=value' pairs like 'imgsz=320' that override defaults.
yolo cfg
Обучи модель обнаружения в течение 10 эпох с начальной скоростью обучения 0.01
Прогнозируй видео на YouTube с помощью предварительно обученной модели сегментации при размере изображения 320:
Вали предварительно обученную модель обнаружения при размере партии 1 и размере изображения 640:
Экспортируй модель классификации YOLOv8n в формат ONNX с размером изображения 224 на 128 (не требуется TASK).
Где:
TASK
(необязательно) - это одно из[detect, segment, classify]
. Если он не передан явно, YOLOv8 попытается угадать.TASK
от типа модели.MODE
(обязательно) является одним из[train, val, predict, export, track]
ARGS
(необязательно) - это любое количество пользовательскихarg=value
Такие пары, какimgsz=320
которые отменяют настройки по умолчанию. Полный список доступныхARGS
см. Конфигурация страница иdefaults.yaml
Внимание
Аргументы должны быть переданы как arg=val
пары, разделенные знаком равенства =
знак и разделенные пробелами между парами. Не используйте
--
Префиксы аргументов или запятые ,
между аргументами.
yolo predict model=yolov8n.pt imgsz=640 conf=0.25
✅yolo predict model yolov8n.pt imgsz 640 conf 0.25
❌yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25
❌
Поезд
Обучи YOLOv8n на наборе данных COCO8 в течение 100 эпох при размере изображения 640. Полный список доступных аргументов смотри на странице конфигурации.
Пример
Вэл
Проверь точность обученной модели YOLOv8n на наборе данных COCO8. Не нужно передавать никаких аргументов в качестве model
сохраняет свою подготовку data
и аргументы в качестве атрибутов модели.
Пример
Предсказывай
Используй обученную модель YOLOv8n для выполнения прогнозов на изображениях.
Пример
Экспорт
Экспортируй модель YOLOv8n в другой формат, например ONNX, CoreML и т. д.
Пример
Доступные форматы экспорта YOLOv8 приведены в таблице ниже. Ты можешь экспортировать в любой формат, используя format
аргумент, то есть format='onnx'
или format='engine'
.
Формат | format Аргумент |
Модель | Метаданные | Аргументы |
---|---|---|---|---|
PyTorch | - | yolov8n.pt |
✅ | - |
TorchScript | torchscript |
yolov8n.torchscript |
✅ | imgsz , optimize , batch |
ONNX | onnx |
yolov8n.onnx |
✅ | imgsz , half , dynamic , simplify , opset , batch |
OpenVINO | openvino |
yolov8n_openvino_model/ |
✅ | imgsz , half , int8 , batch |
TensorRT | engine |
yolov8n.engine |
✅ | imgsz , half , dynamic , simplify , workspace , int8 , batch |
CoreML | coreml |
yolov8n.mlpackage |
✅ | imgsz , half , int8 , nms , batch |
TF SavedModel | saved_model |
yolov8n_saved_model/ |
✅ | imgsz , keras , int8 , batch |
TF GraphDef | pb |
yolov8n.pb |
❌ | imgsz , batch |
TF Lite | tflite |
yolov8n.tflite |
✅ | imgsz , half , int8 , batch |
TF Край TPU | edgetpu |
yolov8n_edgetpu.tflite |
✅ | imgsz |
TF.js | tfjs |
yolov8n_web_model/ |
✅ | imgsz , half , int8 , batch |
PaddlePaddle | paddle |
yolov8n_paddle_model/ |
✅ | imgsz , batch |
NCNN | ncnn |
yolov8n_ncnn_model/ |
✅ | imgsz , half , batch |
Смотреть полностью export
подробности в Экспорт Страница.
Переопределение стандартных аргументов
Аргументы по умолчанию можно переопределить, просто передав их в качестве аргументов в CLI в arg=value
Пары.
Обучи модель обнаружения для 10 epochs
с learning_rate
из 0.01
Прогнозируй видео на YouTube с помощью предварительно обученной модели сегментации при размере изображения 320:
Переопределение файла конфигурации по умолчанию
Ты можешь переопределить default.yaml
полностью, передав новый файл с параметром cfg
аргументы, то есть cfg=custom.yaml
.
Для этого сначала создай копию default.yaml
в твоей текущей рабочей папке с yolo copy-cfg
Командуй.
Это позволит создать default_copy.yaml
, который ты можешь передать как cfg=default_copy.yaml
вместе с любыми дополнительными параметрами, например imgsz=320
в этом примере:
ВОПРОСЫ И ОТВЕТЫ
Как использовать интерфейс командной строки Ultralytics YOLOv8 (CLI) для обучения модели?
Чтобы обучить модель YOLOv8 с помощью CLI, ты можешь выполнить простую однострочную команду в терминале. Например, чтобы обучить модель обнаружения в течение 10 эпох с коэффициентом обучения 0.01, ты должен выполнить команду:
Эта команда использует train
режим с определенными аргументами. Полный список доступных аргументов см. в разделе Руководство по настройке.
Какие задания можно выполнять с помощью Ultralytics YOLOv8 CLI ?
Ultralytics YOLOv8 CLI поддерживает множество задач, включая обнаружение, сегментацию, классификацию, проверку, предсказание, экспорт и отслеживание. Например:
- Тренируй модель: Беги
yolo train data=<data.yaml> model=<model.pt> epochs=<num>
. - Прогнозы на забег:Использование
yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>
. - Экспорт модели: Выполни
yolo export model=<model.pt> format=<export_format>
.
Каждая задача может быть настроена с помощью различных аргументов. Подробный синтаксис и примеры смотрите в соответствующих разделах, таких как Train, Predict и Export.
Как проверить точность обученной модели YOLOv8 с помощью сайта CLI?
Чтобы проверить точность модели YOLOv8 , используй val
Режим. Например, чтобы проверить предварительно обученную модель обнаружения с размером партии 1 и размером изображения 640, запусти:
Эта команда оценивает модель на указанном наборе данных и выдает показатели эффективности. За более подробной информацией обращайся к разделу Val.
В какие форматы я могу экспортировать свои модели YOLOv8 с помощью CLI?
YOLOv8 Модели можно экспортировать в различные форматы, такие как ONNX, CoreML, TensorRT и другие. Например, чтобы экспортировать модель в формат ONNX , выполни следующие действия:
Для получения полной информации посети страницу " Экспорт".
Как настроить команды YOLOv8 CLI так, чтобы они отменяли аргументы по умолчанию?
Чтобы отменить аргументы по умолчанию в командах YOLOv8 CLI , передай их как arg=value
пары. Например, чтобы обучить модель с пользовательскими аргументами, используй:
Полный список доступных аргументов и их описание смотри в руководстве по настройке. Убедись, что аргументы отформатированы правильно, как показано в разделе " Переопределение аргументов по умолчанию ".
Создано 2023-11-12, Обновлено 2024-07-04
Авторы: glenn-jocher (19), ambitious-octopus (1), Burhan-Q (3), RizwanMunawar (1), AyushExel (1), Laughing-q (1), shuizhuyuanluo@126.com (1)