跳至内容

命令行界面使用方法

YOLO 命令行界面 (CLI) 允许使用简单的单行命令,而无需Python 环境。CLI 不需要定制或Python 代码。您只需使用 yolo 指挥。



观看: 掌握Ultralytics YOLO :CLI

示例

Ultralytics yolo 命令使用以下语法:

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.
查看所有 ARGS 全文 配置指南 或与 yolo cfg

训练检测模型 10,初始学习率为 0.01

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

在图像大小为 320 时,使用预训练的分割模型预测 YouTube 视频:

yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

在批量大小为 1、图像大小为 640 时,验证预先训练的检测模型:

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

将 YOLO11n 分类模型导出为ONNX 格式,图像大小为 224 x 128(无需 TASK)

yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128

运行特殊命令可查看版本、查看设置、运行检查等:

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

在哪里?

  • TASK (可选)是 [detect, segment, classify, pose, obb].如果没有明确传递,YOLO11 将尝试猜测 TASK 来自模型类型。
  • MODE (必填)是 [train, val, predict, export, track, benchmark]
  • ARGS (可选)是任意数量的自定义 arg=valueimgsz=320 可覆盖默认值。有关可用 ARGS 参见 配置 页和 defaults.yaml

警告

参数必须以 arg=val 对,用等号分割 = 符号,并以空格分隔 对之间。不要使用 -- 参数 , 参数之间。

  • 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   ❌

火车

在 COCO8 数据集上对 YOLO11n 进行 100 次历元训练,图像大小为 640。有关可用参数的完整列表,请参阅配置页面。

示例

开始在 COCO8 上以图像大小 640 对 YOLO11n 进行 100 次训练。

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

恢复中断的培训。

yolo detect train resume model=last.pt

瓦尔

验证训练有素的 YOLO11n 模型 精确度 在 COCO8 数据集上使用。无需参数,因为 model 保留其培训 data 和参数作为模型属性。

示例

验证官方 YOLO11n 型号。

yolo detect val model=yolo11n.pt

验证自定义训练的模型

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

预测

使用训练有素的 YOLO11n 模型对图像进行预测。

示例

使用官方 YOLO11n 模型进行预测。

yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

使用自定义模型进行预测。

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

出口

将 YOLO11n 模型导出为不同格式,如ONNX,CoreML 等。

示例

将 YOLO11n 官方模型导出为ONNX 格式。

yolo export model=yolo11n.pt format=onnx

将自定义训练的模型导出为ONNX 格式。

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

YOLO11 可用的导出格式如下表所示。您可以使用 format 参数,即 format='onnx'format='engine'.

格式 format 论据 模型 元数据 论据
PyTorch - yolo11n.pt -
TorchScript torchscript yolo11n.torchscript imgsz, optimize, batch
ONNX onnx yolo11n.onnx imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolo11n_openvino_model/ imgsz, half, int8, batch
TensorRT engine yolo11n.engine imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolo11n.mlpackage imgsz, half, int8, nms, batch
TF SavedModel saved_model yolo11n_saved_model/ imgsz, keras, int8, batch
TF GraphDef pb yolo11n.pb imgsz, batch
TF 轻型 tflite yolo11n.tflite imgsz, half, int8, batch
TF 边缘TPU edgetpu yolo11n_edgetpu.tflite imgsz
TF.js tfjs yolo11n_web_model/ imgsz, half, int8, batch
PaddlePaddle paddle yolo11n_paddle_model/ imgsz, batch
MNN mnn yolo11n.mnn imgsz, batch, int8, half
NCNN ncnn yolo11n_ncnn_model/ imgsz, half, batch
IMX500 imx yolov8n_imx_model/ imgsz, int8

查看全文 export 中的详细信息 出口 page.

覆盖默认参数

只要在CLI 中将默认参数作为参数传递,就可以覆盖默认参数。 arg=value 成双成对。

提示

训练检测模型 10 epochslearning_rate0.01

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

在图像大小为 320 时,使用预训练的分割模型预测 YouTube 视频:

yolo segment predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

在批量大小为 1、图像大小为 640 的情况下,验证预训练的检测模型:

yolo detect val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

覆盖默认配置文件

您可以覆盖 default.yaml 通过传递一个带有 cfg 参数,即 cfg=custom.yaml.

为此,首先创建一个 default.yaml 在当前工作目录中使用 yolo copy-cfg 指挥。

这将创建 default_copy.yaml,然后将其作为 cfg=default_copy.yaml 以及其他参数,例如 imgsz=320 在此示例中:

示例

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

常见问题

如何使用Ultralytics YOLO11 命令行界面 (CLI) 进行模型训练?

要使用CLI 训练YOLO11 模型,可以在终端执行一个简单的单行命令。例如,要训练一个学习率为0.01 的检测模型 10 个历元,可以运行

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

该命令使用 train 模式的参数。请参阅 配置指南.

Ultralytics YOLO11 CLI 可以执行哪些任务?

Ultralytics YOLO11 CLI 支持各种任务,包括检测、分割、分类、验证、预测、导出和跟踪。例如

  • 训练模型:运行 yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
  • 运行预测:使用 yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
  • 导出模型:执行 yolo export model=<model.pt> format=<export_format>.

每个任务都可以使用不同的参数进行自定义。有关详细语法和示例,请参阅相应章节,如训练预测导出

如何使用CLI 验证经过训练的YOLO11 模型的准确性?

要验证YOLO11 模型的准确性,可使用 val 模式。例如,要验证预训练的检测模型,可以使用 批量大小 为 1,图像大小为 640,运行:

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

该命令在指定数据集上评估模型并提供性能指标。有关详细信息,请参阅Val部分。

使用CLI 可以将YOLO11 模型导出成什么格式?

YOLO11 模型可以导出为各种格式,如ONNX,CoreML,TensorRT 等。例如,要将模型导出为ONNX 格式,请运行

yolo export model=yolo11n.pt format=onnx

有关详细信息,请访问出口页面。

如何自定义YOLO11 CLI 命令以覆盖默认参数?

要覆盖YOLO11 CLI 命令中的默认参数,请将它们作为 arg=value 对。例如,要使用自定义参数训练模型,请使用

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

有关可用参数及其说明的完整列表,请参阅《配置指南》。确保参数格式正确,如覆盖默认参数部分所示。

📅创建于 1 年前 ✏️已更新 2 个月前

评论