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

yolo TASK MODE ARGS

Where   TASK (optional) is one of [detect, segment, classify, pose, obb]
        MODE (required) is one of [train, val, predict, export, track, benchmark]
        ARGS (optional) are any number of custom 'arg=value' pairs like 'imgsz=320' that override defaults.

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

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

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

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

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

Nerede?

• TASK (isteğe bağlı) şunlardan biridir [detect, segment, classify, pose, obb]. Açıkça geçilmezse YOLOv8 adresi tahmin etmeye çalışacaktır. TASK model türünden.
• MODE (gerekli) şunlardan biridir [train, val, predict, export, track, benchmark]
• 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

Tren

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

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

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.

yolo detect val model=yolov8n.pt

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

Tahmin Et

Görüntüler üzerinde tahminler yürütmek için eğitilmiş bir YOLOv8n modeli kullanın.

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

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.

yolo export model=yolov8n.pt format=onnx

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'.

Tamamı görün export detaylar İhracat Sayfa.

Varsayılan argümanları geçersiz kılma

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

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

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

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:

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

SSS

Model eğitimi için Ultralytics YOLOv8 komut satırı arayüzünü (CLI) nasıl kullanabilirim?

CLI kullanarak bir YOLOv8 modelini eğitmek için terminalde tek satırlık basit bir komut çalıştırabilirsiniz. Örneğin, bir algılama modelini 0,01 öğrenme oranıyla 10 epok için eğitmek için şu komutu çalıştırırsınız:

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

Bu komut şu komutu kullanır train modunu belirli bağımsız değişkenlerle kullanabilirsiniz. Kullanılabilir argümanların tam listesi için Yapılandırma Kılavuzu.

Ultralytics YOLOv8 CLI ile hangi görevleri gerçekleştirebilirim?

Ultralytics YOLOv8 CLI algılama, segmentasyon, sınıflandırma, doğrulama, tahmin, dışa aktarma ve izleme gibi çeşitli görevleri destekler. Örneğin:

• Bir Model Eğitin: Koşmak yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
• Koşu Tahminleri:Kullanmak yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
• Bir Modeli Dışa Aktarma: Yürütmek yolo export model=<model.pt> format=<export_format>.

Her görev çeşitli argümanlarla özelleştirilebilir. Ayrıntılı söz dizimi ve örnekler için Train, Predict ve Export gibi ilgili bölümlere bakın.

Eğitilmiş bir YOLOv8 modelinin doğruluğunu CLI kullanarak nasıl doğrulayabilirim?

Bir YOLOv8 modelinin doğruluğunu onaylamak için val modunda çalıştırın. Örneğin, 1 yığın boyutu ve 640 görüntü boyutuyla önceden eğitilmiş bir algılama modelini doğrulamak için çalıştırın:

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

Bu komut, modeli belirtilen veri kümesi üzerinde değerlendirir ve performans ölçümleri sağlar. Daha fazla ayrıntı için Val bölümüne bakın.

YOLOv8 modellerimi CLI kullanarak hangi formatlarda dışa aktarabilirim?

YOLOv8 modeller ONNX, CoreML, TensorRT ve daha fazlası gibi çeşitli biçimlerde dışa aktarılabilir. Örneğin, bir modeli ONNX biçiminde dışa aktarmak için çalıştırın:

yolo export model=yolov8n.pt format=onnx

Tüm ayrıntılar için İhracat sayfasını ziyaret edin.

Varsayılan argümanları geçersiz kılmak için YOLOv8 CLI komutlarını nasıl özelleştirebilirim?

YOLOv8 CLI komutlarında varsayılan bağımsız değişkenleri geçersiz kılmak için bunları arg=value çiftleri. Örneğin, bir modeli özel argümanlarla eğitmek için şunu kullanın:

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

Kullanılabilir bağımsız değişkenlerin tam listesi ve açıklamaları için Yapılandırma Kılavuzu'na bakın. Varsayılan bağımsız değişkenlerin geçersiz kılınması bölümünde gösterildiği gibi bağımsız değişkenlerin doğru biçimlendirildiğinden emin olun.

📅 Created 10 months ago ✏️ Updated 2 days ago

Yorumlar