Ultralytics YOLO27:

Komut Satırı Arayüzü#

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



Watch: Mastering Ultralytics YOLO: 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), varsayılanları geçersiz kılan imgsz=320 gibi herhangi sayıda özel arg=value çiftidir.

Tüm bağımsız değişkenleri (ARGS) eksiksiz Yapılandırma Kılavuzu içinde veya yolo cfg ile inceleyebilirsin.

Burada:

  • TASK (isteğe bağlı), [detect, segment, semantic, depth, classify, pose, obb] değerlerinden biridir. Açıkça iletilmezse, YOLO model türünden TASK değerini çıkarım yapmaya çalışacaktır.
  • MODE (gerekli), [train, val, predict, export, track, benchmark] değerlerinden biridir
  • ARGS (isteğe bağlı), varsayılanları geçersiz kılan imgsz=320 gibi herhangi sayıda özel arg=value çiftidir. Kullanılabilir tüm ARGS değerlerinin tam listesi için Yapılandırma sayfasına bakabilir ve default.yaml komutunu kullanabilirsin.
Uyarı

Bağımsız değişkenler, eşittir = işaretiyle ayrılmış ve çiftler arasında boşluklar bırakılmış arg=val çiftleri olarak iletilmelidir. -- bağımsız değişken ön eklerini veya 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 modelini 640 görüntü boyutunda 100 dönem boyunca COCO8 veri seti üzerinde eğit. Kullanılabilir bağımsız değişkenlerin tam listesi için Yapılandırma sayfasına bak.

Örnek

YOLO26n modelini 640 görüntü boyutunda 100 dönem boyunca COCO8 üzerinde eğitmeye başla:

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

Doğrulama#

Eğitilmiş modelin doğruluğunu COCO8 veri seti üzerinde doğrula. model eğitim data değerini ve bağımsız değişkenlerini model nitelikleri olarak koruduğu için herhangi bir bağımsız değişkene gerek yoktur.

Örnek

Resmi bir YOLO26n modelini doğrula:

yolo detect val model=yolo26n.pt

Tahmin#

Görüntüler üzerinde tahminler çalıştırmak için eğitilmiş bir model kullan.

Örnek

Resmi bir YOLO26n modeli ile tahmin yap:

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

Dışa aktarma#

Bir modeli ONNX veya CoreML gibi farklı bir forma dışarı aktar.

Örnek

Resmi bir YOLO26n modelini ONNX formatına dışarı aktar:

yolo export model=yolo26n.pt format=onnx

Kullanılabilir Ultralytics dışarı aktarım formatları aşağıdaki tabloda yer almaktadır. format bağımsız değişkenini kullanarak, yani format='onnx' veya format='engine' ile herhangi bir forma dışarı aktarım yapabilirsin.

Biçimformat bağımsız değişkeniModelMeta 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
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, keras, 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
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
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize

nms=None, harici NMS için varsayılan olarak ham çıktıları kullanır. Mevcut bir NMS'siz başlığı seçmek için nms=False değerini ayarla; desteklenmeyen formatlar yerel çıktı yollarına geri döner. Yukarıdaki nms girdileri, NMS'yi nms=True ile gömebilen formatları tanımlar.

Ayrıntılı export bilgileri için Dışarı Aktar sayfasına göz at.

Varsayılan Bağımsız Değişkenleri Geçersiz Kılma#

Varsayılan bağımsız değişkenleri komut satırı arayüzünde (CLI) arg=value çiftleri olarak ileterek geçersiz kıl.

İpucu

0,01 öğrenme oranı ile 10 dönem boyunca bir nesne tespiti modeli eğit:

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

Varsayılan Yapılandırma Dosyasını Geçersiz Kılma#

cfg=custom.yaml gibi cfg bağımsız değişkeni ile yeni bir dosya ileterek default.yaml yapılandırma dosyasını tamamen geçersiz kıl.

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

Ardından bu dosyayı ve bu örnekteki imgsz=320 gibi ek bağımsız değişkenleri cfg=default_copy.yaml olarak iletebilirsin:

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

Çözüm Komutları#

Ultralytics, komut satırı arayüzü (CLI) aracılığıyla yaygın bilgisayarlı görü uygulamaları için kullanıma hazır çözümler sunar. yolo solutions komutu nesne sayımı, kırpma, bulanıklaştırma, antrenman izleme, ısı haritaları (heatmap), örnek bölütleme, VisionEye, hız tahmini, kuyruk yönetimi, analitik, Streamlit çıkarımı ve bölge tabanlı takip özelliklerini sunar — eksiksiz katalog için Çözümler sayfasına göz at. Desteklenen tüm çözümleri ve argümanlarını listelemek için yolo solutions help komutunu çalıştır.

Örnek

Bir videoda veya canlı yayında 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 edinmek için Çözümler sayfasını ziyaret et.

SSS#

  • Komut satırı arayüzünü (CLI) kullanarak bir model eğitmek için terminalde tek satırlık bir komut çalıştır. Örneğin, 0,01 öğrenme oranı ile 10 dönem boyunca bir nesne tespiti modeli eğitmek için şunu çalıştır:

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

    Bu komut, belirli bağımsız değişkenlerle train modunu kullanır. Kullanılabilir tüm bağımsız değişkenlerin tam listesi için Yapılandırma Kılavuzu sayfasına bak.

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

    • Model Eğit: yolo train data=<data.yaml> model=<model.pt> epochs=<num> komutunu çalıştır.
    • Tahmin Çalıştır: yolo predict model=<model.pt> source=<data_source> imgsz=<image_size> kullan.
    • Modeli Dışarı Aktar: yolo export model=<model.pt> format=<export_format> komutunu yürüt.
    • Çözümleri Kullan: Hazır uygulamalar için yolo solutions <solution_name> komutunu çalıştır.

    Her görevi çeşitli bağımsız değişkenlerle özelleştir. Ayrıntılı sözdizimi ve örnekler için Eğit (Train), Tahmin Et (Predict) ve Dışarı Aktar (Export) gibi ilgili bölümlere göz at.

  • Bir modelin doğruluğunu doğrulamak için val modunu kullan. Örneğin, 1 yığın boyutu (batch size) ve 640 görüntü boyutu ile önceden eğitilmiş bir nesne tespiti modelini doğrulamak için şunu çalıştır:

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

    Bu komut, modeli belirtilen veri seti üzerinde değerlendirir ve mAP, kesinlik (precision) ve duyarlılık (recall) gibi performans metrikleri sağlar. Daha fazla ayrıntı için Doğrula (Val) bölümüne bakın.

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

    yolo export model=yolo26n.pt format=onnx

    Dışarı aktarma komutu, modelini belirli dağıtım ortamları için optimize etmek üzere çok sayıda seçeneği destekler. Kullanılabilir tüm dışarı aktarma formatları ve bunların belirli parametreleri hakkında eksiksiz ayrıntılar için Dışarı Aktar sayfasını ziyaret et.

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

Katkıda Bulunanlar
GLglenn-jocher27AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Yorumlar