Chỉnh sửa trang trên GitHub (EN)

Giao diện dòng lệnh

Giao diện dòng lệnh (CLI) của Ultralytics cung cấp một cách thức đơn giản để sử dụng các model Ultralytics YOLO mà không cần môi trường Python. CLI hỗ trợ chạy nhiều tác vụ khác nhau trực tiếp từ terminal thông qua lệnh yolo, không yêu cầu tùy chỉnh hay mã Python.



Watch: Mastering Ultralytics YOLO: CLI
Ví dụ

Các lệnh yolo của Ultralytics sử dụng cú pháp sau:

yolo TASK MODE ARGS

Trong đó:

  • TASK (tùy chọn) là một trong [detect, segment, classify, pose, obb]
  • MODE (bắt buộc) là một trong [train, val, predict, export, track, benchmark]
  • ARGS (tùy chọn) là bất kỳ số lượng cặp arg=value tùy chỉnh nào như imgsz=320 để ghi đè các giá trị mặc định.

Xem tất cả các ARGS trong Hướng dẫn cấu hình đầy đủ hoặc bằng lệnh yolo cfg.

Trong đó:

  • TASK (tùy chọn) là một trong [detect, segment, classify, pose, obb]. Nếu không được chỉ định rõ, YOLO sẽ cố gắng suy luận TASK từ loại model.
  • MODE (bắt buộc) là một trong [train, val, predict, export, track, benchmark]
  • ARGS (tùy chọn) là bất kỳ số lượng cặp arg=value tùy chỉnh nào như imgsz=320 để ghi đè các giá trị mặc định. Để có danh sách đầy đủ các ARGS khả dụng, hãy xem trang Cấu hình và tệp default.yaml.
Cảnh báo

Các đối số phải được truyền dưới dạng cặp arg=val, cách nhau bởi dấu bằng = và được phân tách bằng khoảng trắng giữa các cặp. Không sử dụng tiền tố -- cho đối số hoặc dấu phẩy , giữa các đối số.

  • 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 ❌

Train

Huấn luyện YOLO trên tập dữ liệu COCO8 trong 100 epoch với kích thước ảnh 640. Để có danh sách đầy đủ các đối số khả dụng, hãy xem trang Cấu hình.

Ví dụ

Bắt đầu huấn luyện YOLO26n trên COCO8 trong 100 epoch với kích thước ảnh 640:

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

Val

Đánh giá độ chính xác của model đã huấn luyện trên tập dữ liệu COCO8. Không cần đối số vì model sẽ giữ lại data và các đối số huấn luyện dưới dạng các thuộc tính của model.

Ví dụ

Đánh giá một model YOLO26n chính thức:

yolo detect val model=yolo26n.pt

Dự đoán (Predict)

Sử dụng một model đã huấn luyện để chạy dự đoán trên hình ảnh.

Ví dụ

Dự đoán với một model YOLO26n chính thức:

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

Export

Xuất một model sang định dạng khác như ONNX hoặc CoreML.

Ví dụ

Xuất một model YOLO26n chính thức sang định dạng ONNX:

yolo export model=yolo26n.pt format=onnx

Các định dạng xuất của Ultralytics có sẵn được liệt kê trong bảng dưới đây. Bạn có thể xuất sang bất kỳ định dạng nào bằng cách sử dụng đối số format, ví dụ: format='onnx' hoặc format='engine'.

Định dạngĐối số formatModelMetadataĐối số
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, half, dynamic, optimize, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, half, dynamic, simplify, opset, nms, batch, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, half, dynamic, int8, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, half, int8, nms, batch, device
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, keras, int8, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, batch, device
TF Litetfliteyolo26n.tflite✅imgsz, half, int8, nms, batch, data, fraction, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, int8, data, fraction, device
TF.jstfjsyolo26n_web_model/✅imgsz, half, int8, nms, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, int8, half, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, half, batch, device
IMX500imxyolo26n_imx_model/✅imgsz, int8, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, int8, data, fraction, device
DeepXdeepxyolo26n_deepx_model/✅imgsz, int8, data, optimize, device

Xem chi tiết export trên trang Export.

Ghi đè các Đối số Mặc định

Ghi đè các đối số mặc định bằng cách truyền chúng vào CLI dưới dạng các cặp arg=value.

Mẹo

Huấn luyện một model phát hiện trong 10 epoch với learning rate là 0.01:

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

Ghi đè Tệp Cấu hình Mặc định

Ghi đè hoàn toàn tệp cấu hình default.yaml bằng cách truyền một tệp mới với đối số cfg, ví dụ cfg=custom.yaml.

Để thực hiện việc này, trước tiên hãy tạo một bản sao của default.yaml trong thư mục làm việc hiện tại của bạn với lệnh yolo copy-cfg, lệnh này sẽ tạo ra một tệp default_copy.yaml.

Sau đó, bạn có thể truyền tệp này dưới dạng cfg=default_copy.yaml cùng với bất kỳ đối số bổ sung nào, chẳng hạn như imgsz=320 trong ví dụ này:

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

Các Lệnh Solutions

Ultralytics cung cấp các giải pháp sẵn sàng sử dụng cho các ứng dụng thị giác máy tính phổ biến thông qua CLI. Lệnh yolo solutions hỗ trợ đếm đối tượng, cắt, làm mờ, giám sát tập luyện, bản đồ nhiệt (heatmap), phân đoạn thực thể (instance segmentation), VisionEye, ước tính tốc độ, quản lý hàng đợi, phân tích, suy luận Streamlit và theo dõi theo vùng — xem trang Solutions để biết danh mục đầy đủ. Chạy yolo solutions help để liệt kê mọi giải pháp được hỗ trợ và các đối số của chúng.

Ví dụ

Đếm các đối tượng trong một video hoặc luồng trực tiếp:

yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file path

Để biết thêm thông tin về các giải pháp của Ultralytics, hãy truy cập trang Solutions.

Câu hỏi thường gặp (FAQ)

Làm thế nào để sử dụng giao diện dòng lệnh (CLI) Ultralytics YOLO để huấn luyện model?

Để huấn luyện model bằng CLI, hãy thực thi một lệnh một dòng trong terminal. Ví dụ, để huấn luyện model phát hiện trong 10 epoch với learning rate là 0.01, hãy chạy:

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

Lệnh này sử dụng chế độ train với các đối số cụ thể. Để có danh sách đầy đủ các đối số khả dụng, hãy tham khảo Hướng dẫn Cấu hình.

Tôi có thể thực hiện những tác vụ gì với Ultralytics YOLO CLI?

Ultralytics YOLO CLI hỗ trợ nhiều tác vụ khác nhau, bao gồm phát hiện, phân đoạn, phân loại, ước tính tư thế và phát hiện hộp bao quanh theo hướng. Bạn cũng có thể thực hiện các thao tác như:

  • Huấn luyện Model: Chạy yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
  • Chạy Dự đoán: Sử dụng yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
  • Xuất Model: Thực thi yolo export model=<model.pt> format=<export_format>.
  • Sử dụng Solutions: Chạy yolo solutions <solution_name> cho các ứng dụng có sẵn.

Tùy chỉnh mỗi tác vụ với các đối số khác nhau. Để biết cú pháp và ví dụ chi tiết, hãy xem các phần tương ứng như Train, Predict và Export.

Làm thế nào tôi có thể kiểm chứng độ chính xác của một model YOLO đã huấn luyện bằng CLI?

Để kiểm chứng độ chính xác của model, hãy sử dụng chế độ val. Ví dụ, để kiểm chứng một model phát hiện đã được huấn luyện sẵn với batch size là 1 và kích thước ảnh 640, hãy chạy:

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

Lệnh này đánh giá model trên tập dữ liệu được chỉ định và cung cấp các chỉ số hiệu suất như mAP, precision và recall. Để biết thêm chi tiết, hãy tham khảo phần Val.

Tôi có thể xuất model YOLO của mình sang những định dạng nào bằng CLI?

Bạn có thể xuất các model YOLO sang nhiều định dạng khác nhau bao gồm ONNX, TensorRT, CoreML, TensorFlow và nhiều định dạng khác. Ví dụ, để xuất một model sang định dạng ONNX, hãy chạy:

yolo export model=yolo26n.pt format=onnx

Lệnh xuất hỗ trợ nhiều tùy chọn để tối ưu hóa model của bạn cho các môi trường triển khai cụ thể. Để biết chi tiết đầy đủ về tất cả các định dạng xuất khả dụng và các tham số cụ thể của chúng, hãy truy cập trang Export.

Làm thế nào để sử dụng các giải pháp dựng sẵn trong Ultralytics CLI?

Ultralytics cung cấp các giải pháp sẵn sàng sử dụng thông qua lệnh solutions. Ví dụ, để đếm các đối tượng trong một video:

yolo solutions count source="path/to/video.mp4"

Các giải pháp này yêu cầu cấu hình tối thiểu và cung cấp chức năng tức thì cho các tác vụ thị giác máy tính phổ biến. Để xem tất cả các giải pháp có sẵn, hãy chạy yolo solutions help. Mỗi giải pháp có các tham số cụ thể có thể tùy chỉnh để phù hợp với nhu cầu của bạn.

Contributors
Chỉnh sửa trang trên GitHub (EN)
GLglenn-jocher26AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Bình luận