Ultralytics YOLO27:
Get Started

Komut Satırı Arayüzü#

Ultralytics komut satırı arayüzü (CLI), Python kodu yazmadan Ultralytics YOLO modellerini kullanmanın kolay bir yolunu sunar. CLI, yolo komutunu kullanarak çeşitli görevleri doğrudan terminalden çalıştırmayı destekler.



İzle: Ultralytics YOLO'da Uzmanlaşma: CLI
Örnek

Ultralytics yolo komutları şu sözdizimini kullanır:

yolo TASK MODE ARGS

Burada:

  • TASK (isteğe bağlı), [detect, segment, semantic, depth, classify, pose, obb] seçeneklerinden biridir.
  • MODE (gerekli), [train, val, predict, export, track, benchmark] seçeneklerinden biridir.
  • ARGS (isteğe bağlı), varsayılan değerleri geçersiz kılan imgsz=320 gibi istediğin sayıda özel arg=value çiftidir.

Tüm ARGS değerlerini Yapılandırma Kılavuzunun tamamında veya yolo cfg ile görebilirsin.

Burada:

  • TASK (isteğe bağlı), [detect, segment, semantic, depth, classify, pose, obb] seçeneklerinden biridir. Açıkça belirtilmezse YOLO, TASK değerini model türünden çıkarmaya çalışır.
  • MODE (gerekli), [train, val, predict, export, track, benchmark] seçeneklerinden biridir.
  • ARGS (isteğe bağlı), varsayılan değerleri geçersiz kılan imgsz=320 gibi istediğin sayıda özel arg=value çiftidir. Kullanılabilir tüm ARGS değerlerinin listesi için Yapılandırma sayfasına ve default.yaml öğesine bak.
Uyarı

Bağımsız değişkenler, eşittir işareti = ile ayrılan ve çiftler arasında boşluk bulunan arg=val çiftleri olarak verilmelidir. Bağımsız değişkenlerin başına -- öneklerini ekleme ve bağımsız değişkenler arasında virgül , kullanma.

  • 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 ❌

Eğit#

YOLO'yu COCO8 veri kümesinde, görüntü boyutu 640 olacak şekilde 100 epoch boyunca eğit. Kullanılabilir tüm bağımsız değişkenlerin listesi için Yapılandırma sayfasına bak.

Örnek

YOLO26n modelini COCO8 üzerinde, görüntü boyutu 640 olacak şekilde 100 epoch boyunca eğitmeye başla:

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

Doğrula#

Eğitilmiş modelin COCO8 veri kümesindeki doğruluğunu doğrula. data belirtilmediğinde özel bir model, eğitimde kullandığı data değerini yeniden kullanır; resmî ağırlıklarda ise görev için varsayılan coco8.yaml değeri kullanılır.

Örnek

Resmî bir YOLO26n modelini doğrula:

yolo detect val model=yolo26n.pt data=coco8.yaml

Tahmin#

Görüntüler üzerinde tahmin yapmak için eğitilmiş bir model kullan.

Örnek

Resmî bir YOLO26n modeliyle tahmin yap:

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

Dışa aktar#

Bir modeli ONNX veya CoreML gibi farklı bir biçime aktar.

Örnek

Resmî bir YOLO26n modelini ONNX biçimine aktar:

yolo export model=yolo26n.pt format=onnx

Kullanılabilir Ultralytics dışa aktarma biçimleri aşağıdaki tabloda yer alıyor. format bağımsız değişkenini, yani format='onnx' veya format='engine' değerini kullanarak istediğin biçime aktarabilirsin.

Biçimformat bağımsız değişkeniModelÜst verilerBağımsız değişkenler
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, quantize, dynamic, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, quantize, dynamic, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, quantize, nms, batch, device
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, quantize, opset, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, opset, batch, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, quantize, opset, data, fraction, device
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, dynamic, quantize, simplify, opset, nms, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, quantize, batch, device
IMX500imxyolo26n_imx_model/✅imgsz, quantize, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, quantize, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, quantize, simplify, opset, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou, device
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms, device
AMD Xilinxxilinxyolo26n_xilinx_model/✅imgsz, name, quantize, data, fraction, opset, simplify, device

nms=None, harici NMS için varsayılan olarak ham çıktılar üretir. Kullanılabilir bir NMS içermeyen başlık seçmek için nms=False değerini ayarla; desteklenmeyen biçimler yerel çıktı yoluna döner. Yukarıdaki nms girdileri, nms=True ile NMS içerebilen biçimleri tanımlar.

Export sayfasında export hakkında tüm ayrıntılara bak.

Varsayılan Bağımsız Değişkenleri Geçersiz Kılma#

CLI'da arg=value çiftleri olarak ileterek varsayılan bağımsız değişkenleri geçersiz kıl.

İpucu

0,01 öğrenme oranıyla 10 epoch boyunca bir nesne tespit modeli eğit:

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

Varsayılan Yapılandırma Dosyasını Geçersiz Kılma#

cfg bağımsız değişkeniyle cfg=custom.yaml gibi yeni bir dosya ileterek default.yaml yapılandırma dosyasının tamamını geçersiz kıl.

Bunu yapmak için önce yolo copy-cfg komutuyla geçerli çalışma dizininde default.yaml dosyasının bir kopyasını oluştur; bu komut bir default_copy.yaml dosyası oluşturur.

Daha sonra bu dosyayı cfg=default_copy.yaml olarak, bu örnekteki imgsz=320 gibi ek bağımsız değişkenlerle birlikte iletebilirsin:

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

Çözümler Komutları#

Ultralytics, yaygın bilgisayarlı görü uygulamaları için kullanıma hazır çözümleri CLI üzerinden sunar. yolo solutions komutu; nesne sayma, kırpma, bulanıklaştırma, egzersiz takibi, ısı haritaları, örnek segmentasyonu, VisionEye, hız tahmini, kuyruk yönetimi, analiz, Streamlit çıkarımı, bölge tabanlı takip, bölge sayımı, güvenlik alarmları ve park yönetimi özelliklerini içerir — tüm kataloğu Solutions sayfasında görebilirsin. Desteklenen tüm çözümleri ve bağımsız değişkenlerini listelemek için yolo solutions help komutunu çalıştır.

Örnek

Bir videodaki veya canlı yayındaki nesneleri say:

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.

Sık Sorulan Sorular#

  • CLI kullanarak model eğitmek için terminalde tek satırlık bir komut çalıştır. Örneğin, 10 epoch boyunca bir nesne tespit modeli eğitmek için şunu çalıştır:

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

    Bu komut, belirli bağımsız değişkenlerle train kipini kullanır. Kullanılabilir bağımsız değişkenlerin tam listesi için Yapılandırma Kılavuzu bölümüne bak.

  • Ultralytics YOLO CLI; nesne tespiti, segmentasyon, anlamsal segmentasyon, derinlik tahmini, sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu tespiti dahil olmak üzere çeşitli görevleri destekler. Ayrıca şu işlemleri de gerçekleştirebilirsin:

    • Model Eğitimi: 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.
    • Modeli Dışa Aktarma: yolo export model=<model.pt> format=<export_format> komutunu çalıştır.
    • Çözümleri Kullanma: Hazır uygulamalar için yolo solutions <solution_name> komutunu çalıştır.

    Her görevi çeşitli bağımsız değişkenlerle özelleştir. Ayrıntılı sözdizimi ve örnekler için Eğitim, Tahmin ve Dışa Aktarma gibi ilgili bölümlere bak.

  • Bir modelin doğruluğunu doğrulamak için val kipini kullan. Örneğin, önceden eğitilmiş bir nesne tespit modelini 1 batch boyutuyla ve 640 görüntü boyutuyla doğrulamak için şunu çalıştır:

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

    Bu komut, modeli belirtilen veri kümesinde değerlendirir ve mAP, kesinlik ve duyarlılık gibi performans ölçütlerini sunar. Daha fazla ayrıntı için Val bölümüne bak.

  • YOLO modellerini ONNX, TensorRT, CoreML, TensorFlow ve daha pek çok biçime aktarabilirsin. Örneğin, bir modeli ONNX biçimine aktarmak için şunu çalıştır:

    yolo export model=yolo26n.pt format=onnx

    Dışa aktarma komutu, modelini belirli dağıtım ortamları için optimize etmene yönelik çok sayıda seçenek sunar. Kullanılabilir tüm dışa aktarma biçimleri ve bu biçimlere özgü parametreler hakkında ayrıntılı bilgi için Export sayfasını ziyaret et.

  • Ultralytics, solutions komutuyla kullanıma hazır çözümler sunar. Örneğin, bir videodaki nesneleri saymak için:

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

    Bu çözümler çok az yapılandırma gerektirir ve yaygın bilgisayarlı görü görevlerinde anında kullanılabilir. Tüm çözümleri görmek için yolo solutions help komutunu çalıştır. Her çözüm, ihtiyaçlarına göre özelleştirebileceğin belirli parametrelere sahiptir.

Katkıda Bulunanlar
GLglenn-jocher28RAraimbekovm5AMambitious-octopus3BUBurhan-Q3JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Yorumlar