Komut Satırı Arayüzü
Ultralytics komut satırı arayüzüCLI), Python ortamına ihtiyaç duymadan Ultralytics YOLO modellerini kullanmak için basit bir yol sağlar. CLI , aşağıdaki komutları kullanarak çeşitli görevleri doğrudan terminalden çalıştırmayı destekler yolo komutunu kullanabilirsiniz, herhangi bir özelleştirme veya Python kodu gerektirmez.
İzle: Mastering Ultralytics YOLO : CLI
Örnek
Ultralytics yolo komutları aşağıdaki sözdizimini kullanır:
yolo TASK MODE ARGS
Nerede?
- TASK (isteğe bağlı) [detect, segment, classify, pose, obb] seçeneklerinden biridir
- MODE (gerekli) [train, val, predict, export, track, benchmark] seçeneklerinden biridir
- ARGS (isteğe bağlı) herhangi bir sayıda özel arg=value gibi çiftler imgsz=320 varsayılanları geçersiz kılar.
Tüm ARGS'leri tam olarak görün Yapılandırma Kılavuzu veya ile yolo cfg.
Başlangıç öğrenme oranı 0,01 olan bir algılama modelini 10 epok boyunca eğitin:
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Görüntü boyutu 320 olan bir YouTube videosunda önceden eğitilmiş bir segmentasyon modeli kullanarak tahmin edin:
yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
Önceden eğitilmiş bir algılama modelini 1 parti boyutu ve 640 görüntü boyutu ile doğrulayın:
yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
Bir YOLO sınıflandırma modelini 224x128 görüntü boyutuyla ONNX formatına aktarın (TASK gerekmez):
yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128
Sürüm, ayarlar, kontroller ve daha fazlasını görüntülemek 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, pose, obb]. Açıkça belirtilmediği takdirde YOLO , aşağıdaki bilgileri çıkarmaya çalışacaktırTASKmodel türünden.MODE(gerekli) şunlardan biridir[train, val, predict, export, track, benchmark]ARGS(isteğe bağlı) herhangi bir sayıda özelarg=valuegibi çiftlerimgsz=320varsayılanları geçersiz kılar. Kullanılabilirlerin tam listesi içinARGS, bkz. Konfigürasyon sayfa vedefaults.yaml.
Uyarı
Argümanlar şu şekilde geçirilmelidir arg=val çiftleri, bir eşittir ile ayrılır = işaretini kullanın ve çiftler arasında boşluk bırakın. Kullanmayın -- argüman önekleri veya virgüller , argümanlar arasında.
yolo predict model=yolo11n.pt imgsz=640 conf=0.25✅yolo predict model yolo11n.pt imgsz 640 conf 0.25❌yolo predict --model yolo11n.pt --imgsz 640 --conf 0.25❌
Tren
YOLO 'yu 640 görüntü boyutunda 100 epok için COCO8 veri kümesi üzerinde eğitin. Kullanılabilir bağımsız değişkenlerin tam listesi için Yapılandırma sayfasına bakın.
Örnek
YOLO11n'i COCO8 üzerinde 640 görüntü boyutunda 100 epok için eğitmeye başlayın:
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
Yarıda kesilen bir eğitim oturumuna devam edin:
yolo detect train resume model=last.pt
Val
Doğrulama doğruluk COCO8 veri kümesi üzerinde eğitilmiş modelin. Hiçbir argüman gerekmez çünkü model eğitimini sürdürür data ve model öznitelikleri olarak argümanlar.
Örnek
Resmi bir YOLO11n modelini doğrulayın:
yolo detect val model=yolo11n.pt
Özel olarak eğitilmiş bir modeli doğrulayın:
yolo detect val model=path/to/best.pt
Tahmin Et
Görüntüler üzerinde tahminler yürütmek için eğitilmiş bir model kullanın.
Örnek
Resmi bir YOLO11n modeli ile tahmin edin:
yolo detect predict model=yolo11n.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 modeli ONNX veya CoreML gibi farklı bir formata aktarın.
Örnek
Resmi bir YOLO11n modelini ONNX formatına aktarın:
yolo export model=yolo11n.pt format=onnx
Özel eğitimli bir modeli ONNX formatına aktarın:
yolo export model=path/to/best.pt format=onnx
Mevcut Ultralytics dışa aktarma biçimleri aşağıdaki tabloda yer almaktadır. Kullanarak herhangi bir biçime dışa aktarabilirsiniz format argümanı, yani, format='onnx' veya format='engine'.
| Biçim | format Tartışma |
Model | Metadata | Argümanlar |
|---|---|---|---|---|
| PyTorch | - | yolo11n.pt |
✅ | - |
| TorchScript | torchscript |
yolo11n.torchscript |
✅ | imgsz, optimize, nms, batch, device |
| ONNX | onnx |
yolo11n.onnx |
✅ | imgsz, half, dynamic, simplify, opset, nms, batch, device |
| OpenVINO | openvino |
yolo11n_openvino_model/ |
✅ | imgsz, half, dynamic, int8, nms, batch, data, fraction, device |
| TensorRT | engine |
yolo11n.engine |
✅ | imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device |
| CoreML | coreml |
yolo11n.mlpackage |
✅ | imgsz, half, int8, nms, batch, device |
| TF SavedModel | saved_model |
yolo11n_saved_model/ |
✅ | imgsz, keras, int8, nms, batch, device |
| TF GraphDef | pb |
yolo11n.pb |
❌ | imgsz, batch, device |
| TF Lite | tflite |
yolo11n.tflite |
✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF Kenar TPU | edgetpu |
yolo11n_edgetpu.tflite |
✅ | imgsz, device |
| TF.js | tfjs |
yolo11n_web_model/ |
✅ | imgsz, half, int8, nms, batch, device |
| PaddlePaddle | paddle |
yolo11n_paddle_model/ |
✅ | imgsz, batch, device |
| MNN | mnn |
yolo11n.mnn |
✅ | imgsz, batch, int8, half, device |
| NCNN | ncnn |
yolo11n_ncnn_model/ |
✅ | imgsz, half, batch, device |
| IMX500 | imx |
yolov8n_imx_model/ |
✅ | imgsz, int8, data, fraction, device |
| RKNN | rknn |
yolo11n_rknn_model/ |
✅ | imgsz, batch, name, device |
Tamamı görün export detaylar İhracat Sayfa.
Varsayılan Bağımsız Değişkenlerin Geçersiz Kılınması
Varsayılan argümanları CLI 'da şu şekilde geçirerek geçersiz kılın arg=value Çiftler.
İpucu
Bir algılama modelini 0,01 öğrenme oranıyla 10 epok için eğitin:
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Görüntü boyutu 320 olan bir YouTube videosunda önceden eğitilmiş bir segmentasyon modeli kullanarak tahmin edin:
yolo segment predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320
Önceden eğitilmiş bir algılama modelini 1 parti boyutu ve 640 görüntü boyutu ile doğrulayın:
yolo detect val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
Varsayılan Yapılandırma Dosyasını Geçersiz Kılma
Geçersiz kıl default.yaml ile yeni bir dosya ileterek yapılandırma dosyasını tamamen cfg argümanı, örneğin cfg=custom.yaml.
Bunu yapmak için önce bir kopyasını oluşturun default.yaml ile geçerli çalışma dizininizde yolo copy-cfg komutu ile bir default_copy.yaml Dosya.
Daha sonra bu dosyayı cfg=default_copy.yaml gibi ek argümanlarla birlikte imgsz=320 bu örnekte:
Örnek
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320
Çözüm Komutları
Ultralytics , CLI aracılığıyla yaygın bilgisayarla görme uygulamaları için kullanıma hazır çözümler sunar. Bu çözümler, nesne sayma, egzersiz izleme ve kuyruk yönetimi gibi karmaşık görevlerin uygulanmasını basitleştirir.
Örnek
Bir videodaki veya canlı yayındaki nesneleri sayın:
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file path
Bir poz modeli kullanarak egzersiz egzersizlerini izleyin:
yolo solutions workout show=True
yolo solutions workout source="path/to/video.mp4" # specify video file path
# Use keypoints for ab-workouts
yolo solutions workout kpts=[5, 11, 13] # left side
yolo solutions workout kpts=[6, 12, 14] # right side
Belirlenmiş bir kuyruktaki veya bölgedeki nesneleri sayın:
yolo solutions queue show=True
yolo solutions queue source="path/to/video.mp4" # specify video file path
yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # configure queue coordinates
Streamlit kullanarak bir web tarayıcısında nesne algılama, örnek segmentasyonu veya poz tahmini gerçekleştirin:
yolo solutions inference
yolo solutions inference model="path/to/model.pt" # use custom model
Mevcut çözümleri ve seçeneklerini görüntüleyin:
yolo solutions help
Ultralytics çözümleri hakkında daha fazla bilgi için Çözümler sayfasını ziyaret edin.
SSS
Model eğitimi için Ultralytics YOLO komut satırı arayüzünüCLI) nasıl kullanabilirim?
CLI kullanarak bir modeli eğitmek için terminalde tek satırlık bir komut çalıştırın. Örneğin, bir algılama modelini 0,01 öğrenme oranıyla 10 epok için eğitmek için çalıştırın:
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Bu komut şu komutu kullanır train modunu belirli bağımsız değişkenlerle çalıştırabilirsiniz. Kullanılabilir bağımsız değişkenlerin tam listesi için bkz. Yapılandırma Kılavuzu.
Ultralytics YOLO CLI ile hangi görevleri gerçekleştirebilirim?
Ultralytics YOLO CLI , algılama, segmentasyon, sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu algılama dahil olmak üzere çeşitli görevleri destekler. Ayrıca aşağıdaki gibi işlemleri de gerçekleştirebilirsiniz:
- Bir Model Eğitin: Koşmak
yolo train data=<data.yaml> model=<model.pt> epochs=<num>. - Koşu Tahminleri: Kullanım
yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>. - Bir Modeli Dışa Aktarma: Yürütmek
yolo export model=<model.pt> format=<export_format>. - Çözümleri Kullanın: Koşmak
yolo solutions <solution_name>hazır uygulamalar için.
Her görevi çeşitli argümanlarla özelleştirin. Ayrıntılı söz dizimi ve örnekler için Train, Predict ve Export gibi ilgili bölümlere bakın.
CLI kullanarak eğitilmiş bir YOLO modelinin doğruluğunu nasıl doğrulayabilirim?
Bir modelin geçerliliğini doğrulamak için doğruluk'yi kullanın. val modu. Örneğin, önceden eğitilmiş bir algılama modelini doğrulamak için parti büyüklüğü 1 ve görüntü boyutu 640 ise çalıştırın:
yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640
Bu komut, modeli belirtilen veri kümesi üzerinde değerlendirir ve mAP, precision ve recall gibi performans ölçümleri sağlar. Daha fazla ayrıntı için Val bölümüne bakın.
CLI kullanarak YOLO modellerimi hangi formatlarda dışa aktarabilirim?
YOLO modellerini ONNX, TensorRT, CoreML, TensorFlow ve daha fazlası dahil olmak üzere çeşitli biçimlerde dışa aktarabilirsiniz. Örneğin, bir modeli ONNX formatına dışa aktarmak için çalıştırın:
yolo export model=yolo11n.pt format=onnx
Dışa aktarma komutu, modelinizi belirli dağıtım ortamları için optimize etmek üzere çok sayıda seçeneği destekler. Mevcut tüm dışa aktarma formatları ve bunların özel parametreleri hakkında tüm ayrıntılar için Dışa Aktarma sayfasını ziyaret edin.
Ultralytics CLI'da önceden oluşturulmuş çözümleri nasıl kullanabilirim?
Ultralytics , aşağıdakiler aracılığıyla kullanıma hazır çözümler sunar solutions komutunu kullanabilirsiniz. Örneğin, bir videodaki nesneleri saymak için:
yolo solutions count source="path/to/video.mp4"
Bu çözümler minimum yapılandırma gerektirir ve yaygın bilgisayarla görme görevleri için anında işlevsellik sağlar. Mevcut tüm çözümleri görmek için yolo solutions help. Her çözüm, ihtiyaçlarınıza uyacak şekilde özelleştirilebilen belirli parametrelere sahiptir.
