Komut Satırı Arayüzü#

Ultralytics komut satırı arayüzü (CLI), Python ortamına ihtiyaç duymadan Ultralytics YOLO modellerini kullanmanın kolay bir yolunu sunar. CLI, herhangi bir özelleştirme veya Python kodu gerektirmeden, yolo komutunu kullanarak çeşitli görevleri doğrudan terminalden çalıştırmayı destekler.

yolo TASK MODE ARGS

Burada:

• TASK (isteğe bağlı) [detect, segment, semantic, depth, classify, pose, obb] içinden biridir. Açıkça geçirilmezse, YOLO model türünden TASK değerini çıkarmaya çalışacaktır.
• MODE (gerekli) [train, val, predict, export, track, benchmark] içinden biridir
• ARGS (isteğe bağlı), varsayılanları geçersiz kılan imgsz=320 gibi herhangi sayıda özel arg=value çiftidir. Kullanılabilir ARGS öğelerinin tam listesi için Configuration sayfasına ve default.yaml öğesine bak.

Eğit (Train)#

YOLO'yu COCO8 veri setinde, 640 görüntü boyutunda 100 epoch boyunca eğit. Kullanılabilir argümanların tam listesi için Configuration sayfasına bak.

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

Doğrula (Val)#

Eğitilmiş modelin COCO8 veri setindeki accuracy değerini doğrula. model eğitim data değerini ve argümanlarını model özellikleri olarak koruduğu için hiçbir argümana gerek yoktur.

yolo detect val model=yolo26n.pt

Tahmin Et (Predict)#

Görüntüler üzerinde tahminler çalıştırmak için eğitilmiş bir model kullan.

yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

Dışa Aktar (Export)#

Bir modeli ONNX veya CoreML gibi farklı bir formata aktar.

yolo export model=yolo26n.pt format=onnx

Mevcut Ultralytics dışa aktarma formatları aşağıdaki tabloda yer almaktadır. format argümanını kullanarak (örneğin format='onnx' veya format='engine') herhangi bir forma dışa aktarabilirsin.

Tüm export detayları için Export sayfasına bak.

Varsayılan Argümanları Geçersiz Kılma#

Varsayılan argümanları CLI içinde arg=value çiftleri olarak geçirerek geçersiz kıl.

yolo detect train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

Varsayılan Yapılandırma Dosyasını Geçersiz Kılma#

cfg argümanıyla yeni bir dosya geçirerek default.yaml yapılandırma dosyasını tamamen geçersiz kıl, örneğin cfg=custom.yaml.

Bunu yapmak için öncelikle default_copy.yaml dosyası oluşturan yolo copy-cfg komutuyla mevcut çalışma dizininde default.yaml öğesinin bir kopyasını oluştur.

Ardından bu dosyayı, bu örnekteki gibi imgsz=320 gibi ek argümanlarla birlikte cfg=default_copy.yaml olarak geçebilirsin:

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

Çözüm Komutları#

Ultralytics, CLI aracılığıyla yaygın bilgisayarlı görü uygulamaları için kullanıma hazır çözümler sunar. yolo solutions komutu nesne sayma, kırpma, bulanıklaştırma, antrenman izleme, ısı haritaları, örnek bölütleme, VisionEye, hız tahmini, kuyruk yönetimi, analitik, Streamlit çıkarımı ve tabanlı takip gibi özellikleri sunar; kataloğun tamamı için Solutions sayfasına göz at. Desteklenen tüm çözümleri ve argümanlarını listelemek için yolo solutions help komutunu çalıştır.

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

Ultralytics çözümleri hakkında daha fazla bilgi için Solutions sayfasını ziyaret et.

SSS#

Ultralytics YOLO komut satırı arayüzünü (CLI) model eğitimi için nasıl kullanabilirim?#

CLI kullanarak bir model eğitmek için terminalde tek satırlık bir komut çalıştır. Örneğin, 0,01 learning rate ile bir tespit modelini 10 epoch boyunca eğitmek için şunu çalıştır:

yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

Bu komut, belirli argümanlarla birlikte train modunu kullanır. Kullanılabilir argümanların tam listesi için Configuration Guide sayfasına göz at.

Ultralytics YOLO CLI ile hangi görevleri gerçekleştirebilirim?#

Ultralytics YOLO CLI; detection, segmentation, semantic segmentation, depth estimation, classification, pose estimation ve oriented bounding box detection dahil olmak üzere çeşitli görevleri destekler. Ayrıca şu işlemleri de gerçekleştirebilirsin:

• Model Eğit (Train a Model): yolo train data=<data.yaml> model=<model.pt> epochs=<num> komutunu çalıştır.
• Tahmin Çalıştır (Run Predictions): yolo predict model=<model.pt> source=<data_source> imgsz=<image_size> kullan.
• Model Dışa Aktar (Export a Model): yolo export model=<model.pt> format=<export_format> komutunu yürüt.
• Çözümleri Kullan (Use Solutions): Hazır uygulamalar için yolo solutions <solution_name> komutunu çalıştır.

Her görevi çeşitli argümanlarla özelleştir. Ayrıntılı sözdizimi ve örnekler için Train, Predict ve Export gibi ilgili bölümlere göz at.

CLI kullanarak eğitilmiş bir YOLO modelinin doğruluğunu nasıl doğrulayabilirim?#

Bir modelin accuracy değerini doğrulamak için val modunu kullan. Örneğin, 1 batch size ve 640 görüntü boyutuna sahip önceden eğitilmiş bir tespit modelini doğrulamak için şunu çalıştır:

yolo val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640

Bu komut modeli belirtilen veri setinde değerlendirir ve mAP, precision ve recall gibi performans metrikleri sağlar. Daha fazla ayrıntı için Val bölümüne bakın.

CLI kullanarak YOLO modellerimi hangi formatlara dışa aktarabilirim?#

YOLO modellerini ONNX, TensorRT, CoreML, TensorFlow ve daha fazlası dahil olmak üzere çeşitli formatlara aktarabilirsin. Örneğin, bir modeli ONNX formatına aktarmak için şunu çalıştır:

yolo export model=yolo26n.pt format=onnx

Dışa aktarma komutu, modelini belirli dağıtım ortamları için optimize etmek üzere çok sayıda seçeneği destekler. Mevcut tüm dışa aktarma formatları ve bunların belirli parametreleri hakkında eksiksiz bilgi için Export sayfasını ziyaret et.

Ultralytics CLI içindeki hazır çözümleri nasıl kullanabilirim?#

Ultralytics, solutions komutu aracılığıyla kullanıma hazır çözümler sunar. Örneğin, bir videodaki nesneleri saymak için:

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

Bu çözümler minimum yapılandırma gerektirir ve yaygın bilgisayarlı görü görevleri için anında işlevsellik sağlar. Mevcut tüm çözümleri görmek için yolo solutions help komutunu çalıştır. Her çözümün, ihtiyaçlarına uyacak şekilde özelleştirilebilen belirli parametreleri vardır.