Link to this sectionKomut Satırı Arayüzü#
Ultralytics komut satırı arayüzü (CLI), Python ortamına ihtiyaç duymadan Ultralytics YOLO modellerini kullanmanın basit bir yolunu sunar. CLI, herhangi bir özelleştirme veya Python kodu gerektirmeksizin, yolo komutunu kullanarak terminalden doğrudan çeşitli görevleri çalıştırmayı destekler.
Watch: Mastering Ultralytics YOLO: CLI
Ultralytics yolo komutları şu sözdizimini kullanır:
yolo TASK MODE ARGSBurada:
TASK(isteğe bağlı), [detect, segment, semantic, classify, pose, obb] seçeneklerinden biridirMODE(gerekli), [train, val, predict, export, track, benchmark] seçeneklerinden biridirARGS(optional) are any number of customarg=valuepairs likeimgsz=320that override defaults.
Tüm ARGS seçeneklerini tam Yapılandırma Kılavuzu sayfasında veya yolo cfg ile görebilirsin.
Burada:
TASK(isteğe bağlı)[detect, segment, semantic, classify, pose, obb]seçeneklerinden biridir. Açıkça belirtilmezse, YOLOTASKdeğerini model türünden çıkarmaya çalışacaktır.MODE(gerekli)[train, val, predict, export, track, benchmark]seçeneklerinden biridirARGS(optional) are any number of customarg=valuepairs likeimgsz=320that override defaults. For a full list of availableARGS, see the Configuration page anddefault.yaml.
Arguments must be passed as arg=val pairs, separated by an equals = sign and delimited by spaces between pairs. Do not use -- argument prefixes or commas , between arguments.
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❌
Link to this sectionEğit#
YOLO'yu COCO8 veri kümesi üzerinde 640 görüntü boyutunda 100 epok boyunca eğit. Mevcut argümanların tam listesi için Yapılandırma sayfasına bak.
YOLO26n modelini COCO8 üzerinde 640 görüntü boyutunda 100 epok boyunca eğitmeye başla:
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640Link to this sectionDoğrula#
Validate the accuracy of the trained model on the COCO8 dataset. No arguments are needed as the model retains its training data and arguments as model attributes.
Resmi bir YOLO26n modelini doğrula:
yolo detect val model=yolo26n.ptLink to this sectionTahmin Et#
Görüntüler üzerinde tahminler çalıştırmak için eğitilmiş bir model kullan.
Resmi bir YOLO26n modeliyle tahmin yap:
yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'Link to this sectionDışa Aktar#
Bir modeli ONNX veya CoreML gibi farklı bir formata dışa aktar.
Resmi bir YOLO26n modelini ONNX formatına dışa aktar:
yolo export model=yolo26n.pt format=onnxMevcut Ultralytics dışa aktarma formatları aşağıdaki tabloda yer almaktadır. format argümanını kullanarak, örneğin format='onnx' veya format='engine' şeklinde herhangi bir formata dışa aktarabilirsin.
| Format | format Argümanı | Model | Meta veriler | Argümanlar |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, half, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, half, int8, dynamic, simplify, opset, nms, batch, data, fraction, 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, data, fraction, 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, int8, data, fraction, device |
| TF.js | tfjs | yolo26n_web_model/ | ✅ | imgsz, half, int8, nms, batch, data, fraction, 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, int8, data, fraction, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, int8, data, fraction, device |
| DEEPX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, int8, data, optimize, device |
| Qualcomm QNN | qnn | yolo26n_qnn_model/ | ✅ | imgsz, batch, name, int8, data, fraction, device |
Tüm export ayrıntılarını Export sayfasında bulabilirsin.
Link to this sectionVarsayılan Argümanları Geçersiz Kılma#
Varsayılan argümanları, CLI'da arg=value çiftleri olarak geçirerek geçersiz kılabilirsin.
Bir tespit modelini 0.01 öğrenme oranıyla 10 dönem (epoch) boyunca eğit:
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01Link to this sectionVarsayılan Yapılandırma Dosyasını Geçersiz Kılma#
Override the default.yaml configuration file entirely by passing a new file with the cfg argument, such as cfg=custom.yaml.
To do this, first create a copy of default.yaml in your current working directory with the yolo copy-cfg command, which creates a default_copy.yaml file.
You can then pass this file as cfg=default_copy.yaml along with any additional arguments, like imgsz=320 in this example:
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320Link to this sectionÇözüm Komutları#
Ultralytics, CLI aracılığıyla yaygın bilgisayarlı görü uygulamaları için kullanıma hazır çözümler sunar. yolo solutions komutu nesne sayma, kırpma, bulanıklaştırma, antrenman takibi, ısı haritaları, örnek segmentasyonu, VisionEye, hız tahmini, sıra yönetimi, analitik, Streamlit çıkarımı ve bölge tabanlı takip özelliklerini kullanıma sunar — tam katalog için Solutions sayfasına bakabilirsin. Desteklenen tüm çözümleri ve argümanlarını listelemek için yolo solutions help komutunu çalıştır.
Bir videoda veya canlı yayında nesneleri say:
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file pathUltralytics çözümleri hakkında daha fazla bilgi için Solutions sayfasını ziyaret et.
Link to this sectionSSS#
Link to this sectionModel eğitimi için Ultralytics YOLO komut satırı arayüzünü (CLI) nasıl kullanabilirim?#
CLI kullanarak bir model eğitmek için terminalde tek satırlık bir komut çalıştır. Örneğin, 0.01 öğrenme oranı ile 10 dönem boyunca bir tespit modelini eğitmek için şunu çalıştır:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01Bu komut, belirli argümanlarla train modunu kullanır. Mevcut tüm argümanların tam listesi için Yapılandırma Kılavuzu bölümüne başvur.
Link to this sectionUltralytics YOLO CLI ile hangi görevleri gerçekleştirebilirim?#
Ultralytics YOLO CLI, tespit, segmentasyon, anlamsal segmentasyon, sınıflandırma, poz tahmini ve yönelimli sınırlayıcı kutu tespiti dahil olmak üzere çeşitli görevleri destekler. Ayrıca şu gibi işlemleri de gerçekleştirebilirsin:
- Model Eğitme:
yolo train data=<data.yaml> model=<model.pt> epochs=<num>komutunu çalıştır. - Tahmin Çalıştırma:
yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>kullan. - Model Dışa Aktarma:
yolo export model=<model.pt> format=<export_format>komutunu yürüt. - Çözümleri Kullanma: 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 bak.
Link to this sectionCLI kullanarak eğitilmiş bir YOLO modelinin doğruluğunu nasıl doğrulayabilirim?#
Bir modelin doğruluğunu doğrulamak için val modunu kullan. Örneğin, 1 yığın boyutu ve 640 görüntü boyutu ile önceden eğitilmiş bir tespit modelini doğrulamak için şunu çalıştır:
yolo val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640Bu komut, modeli belirtilen veri kümesinde değerlendirir ve mAP, kesinlik ve duyarlılık gibi performans metrikleri sağlar. Daha fazla ayrıntı için Val bölümüne bak.
Link to this sectionYOLO modellerimi CLI kullanarak hangi formatlara 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=onnxDışa aktarma komutu, modelini belirli dağıtım ortamları için optimize etmek üzere çok sayıda seçeneği destekler. Mevcut tüm dışa aktarma formatları ve bunların özel parametreleri hakkında tam ayrıntılar için Export sayfasını ziyaret et.
Link to this sectionUltralytics CLI'daki 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 göre özelleştirilebilen belirli parametreleri vardır.