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.
yolo cfg
Başlangıç learning_rate değeri 0,01 olan bir algılama modelini 10 epok boyunca eğitin
Görüntü boyutu 320'de önceden eğitilmiş bir segmentasyon modeli kullanarak bir YouTube videosunu tahmin edin:
Val, parti boyutu 1 ve görüntü boyutu 640'ta önceden eğitilmiş bir algılama modelidir:
Bir YOLOv8n sınıflandırma modelini 224 x 128 görüntü boyutunda ONNX formatına aktarın (GÖREV gerekmez)
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 özelarg=value
gibi çiftlerimgsz=320
varsayılanları geçersiz kılar. Kullanılabilirlerin tam listesi içinARGS
bakınız Konfigürasyon sayfa vedefaults.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
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
Tahmin Et
Görüntüler üzerinde tahminler yürütmek için eğitilmiş bir YOLOv8n modeli kullanın.
Örnek
İhracat
Bir YOLOv8n modelini ONNX, CoreML, vb. gibi farklı bir formata aktarın.
Örnek
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
Görüntü boyutu 320'de önceden eğitilmiş bir segmentasyon modeli kullanarak bir YouTube videosunu tahmin edin:
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.yaml
olarak geçirebileceğiniz cfg=default_copy.yaml
gibi herhangi bir ek argümanla birlikte imgsz=320
bu örnekte:
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)