İçeriğe geç

Komut Satırı Arayüzü Kullanımı

YOLO komut satırı arayüzü (CLI), Python ortamına ihtiyaç duymadan basit tek satırlı komutlara izin verir. CLI herhangi bir özelleştirme veya Python kodu gerektirmez. Tüm görevleri terminalden basitçe şu şekilde çalıştırabilirsiniz yolo Komuta.



İzle: Mastering Ultralytics YOLOv8 : CLI

Örnek

Ultralytics yolo komutları aşağıdaki sözdizimini kullanır: 

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.
Tüm ARGS'leri tam olarak görün Yapılandırma Kılavuzu veya ile yolo cfg

Başlangıç learning_rate değeri 0,01 olan bir algılama modelini 10 epok boyunca eğitin 

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

Görüntü boyutu 320'de önceden eğitilmiş bir segmentasyon modeli kullanarak bir YouTube videosunu tahmin edin: 

yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Val, parti boyutu 1 ve görüntü boyutu 640'ta önceden eğitilmiş bir algılama modelidir: 

yolo val model=yolov8n.pt data=coco8.yaml batch=1 imgsz=640

Bir YOLOv8n sınıflandırma modelini 224 x 128 görüntü boyutunda ONNX formatına aktarın (GÖREV gerekmez) 

yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128

Sürümü görmek, ayarları görüntülemek, kontrolleri çalıştırmak ve daha fazlası için özel komutlar çalıştırın: 

yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg

Nerede?

  • TASK (isteğe bağlı) şunlardan biridir [detect, segment, classify]. Açıkça geçilmezse YOLOv8 adresi tahmin etmeye çalışacaktır. TASK model türünden.
  • MODE (gerekli) şunlardan biridir [train, val, predict, export, track]
  • ARGS (isteğe bağlı) herhangi bir sayıda özel arg=value gibi çiftler imgsz=320 varsayılanları geçersiz kılar. Kullanılabilirlerin tam listesi için ARGS bakınız Konfigürasyon sayfa ve defaults.yaml GitHub kaynak.

Uyarı

Argümanlar şu şekilde geçirilmelidir arg=val çiftleri, bir eşittir ile bölünür = işareti ve boşluklarla sınırlandırılmış çiftler arasında. Kullanmayın -- argüman önekleri veya virgüller , argümanlar arasında.

  • 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   ❌

Tren

YOLOv8n adresini 640 görüntü boyutunda 100 epok için COCO8 veri kümesi üzerinde eğitin. Kullanılabilir argümanların tam listesi için Yapılandırma sayfasına bakın.

Örnek

Görüntü boyutu 640'ta 100 epok için COCO8 üzerinde YOLOv8n eğitimine başlayın. 

yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

Yarıda kesilen bir eğitime devam edin. 

yolo detect train resume model=last.pt

Val

COCO8 veri kümesi üzerinde eğitilmiş YOLOv8n model doğruluğunu doğrulayın. Herhangi bir argüman geçilmesine gerek yoktur. model eğitimini sürdürür data ve model öznitelikleri olarak argümanlar.

Örnek

Resmi bir YOLOv8n modelini doğrulayın. 

yolo detect val model=yolov8n.pt

Özel olarak eğitilmiş bir modeli doğrulayın. 

yolo detect val model=path/to/best.pt

Tahmin Et

Görüntüler üzerinde tahminler yürütmek için eğitilmiş bir YOLOv8n modeli kullanın.

Örnek

Resmi bir YOLOv8n modeli ile tahmin edin. 

yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

Özel bir model ile tahmin edin. 

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

İhracat

Bir YOLOv8n modelini ONNX, CoreML, vb. gibi farklı bir formata aktarın.

Örnek

Resmi bir YOLOv8n modelini ONNX formatına aktarın. 

yolo export model=yolov8n.pt format=onnx

Özel olarak eğitilmiş bir modeli ONNX biçiminde dışa aktarın. 

yolo export model=path/to/best.pt format=onnx

Mevcut YOLOv8 dışa aktarma formatları aşağıdaki tabloda yer almaktadır. kullanarak herhangi bir formata dışa aktarabilirsiniz. format argümanı, yani format='onnx' veya format='engine'.

Biçim format Tartışma Model Metadata Argümanlar
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, 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 Kenar TPU edgetpu yolov8n_edgetpu.tflite ✅ imgsz, batch
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

Tamamı görün export detaylar İhracat Sayfa.

Varsayılan argümanları geçersiz kılma

Varsayılan argümanlar, CLI içinde argüman olarak geçirilerek geçersiz kılınabilir. arg=value Çiftler.

Şunlar için bir algılama modeli eğitin 10 epochs ile learning_rate . 0.01 

yolo detect train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

Görüntü boyutu 320'de önceden eğitilmiş bir segmentasyon modeli kullanarak bir YouTube videosunu tahmin edin: 

yolo segment predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Önceden eğitilmiş bir algılama modelini parti boyutu 1 ve görüntü boyutu 640'ta doğrulayın: 

yolo detect val model=yolov8n.pt data=coco8.yaml batch=1 imgsz=640

Varsayılan yapılandırma dosyasını geçersiz kılma

Geçersiz kılabilirsiniz default.yaml ile yeni bir dosya geçirerek yapılandırma dosyasını tamamen cfg argümanlar, yani cfg=custom.yaml.

Bunu yapmak için önce default.yaml ile mevcut çalışma direktörünüzde yolo copy-cfg Komuta.

Bu yaratacaktır default_copy.yamlolarak geçirebileceğiniz cfg=default_copy.yaml gibi herhangi bir ek argümanla birlikte imgsz=320 bu örnekte:

Örnek

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


Oluşturuldu 2023-11-12, Güncellendi 2024-04-27
Yazarlar: glenn-jocher (14), Burhan-Q (1), RizwanMunawar (1), AyushExel (1), Laughing-q (1), shuizhuyuanluo@126.com (1)

Yorumlar