Ultralytics YOLO27：
Get Started

命令行界面#

Ultralytics 命令行界面 (CLI) 提供了一种简单直接的方式，让你无需编写 Python 代码即可使用 Ultralytics YOLO 模型。你可以在终端中使用 yolo 命令直接运行各种任务。



观看： 精通 Ultralytics YOLO：CLI
示例

Ultralytics yolo 命令使用以下语法：

yolo TASK MODE ARGS

其中：

  • TASK（可选）是 [detect, segment, semantic, depth, classify, pose, obb] 中的一项
  • MODE（必需）是 [train, val, predict, export, track, benchmark] 中的一项
  • ARGS（可选）可以是任意数量的自定义 arg=value 键值对，例如 imgsz=320，用于覆盖默认值。

请查看完整的配置指南或使用 yolo cfg 查看所有 ARGS。

其中：

  • TASK（可选）是 [detect, segment, semantic, depth, classify, pose, obb] 中的一项。如果未明确指定，YOLO 会尝试根据模型类型推断 TASK。
  • MODE（必需）是 [train, val, predict, export, track, benchmark] 中的一项
  • ARGS（可选）可以是任意数量的自定义 arg=value 键值对，例如 imgsz=320，用于覆盖默认值。有关所有可用 ARGS 的完整列表，请参阅配置页面和 default.yaml。
警告

参数必须以 arg=val 键值对的形式传入，键和值之间用等号 = 分隔，键值对之间用空格分隔。不要使用 -- 参数前缀，也不要在参数之间使用逗号 ,。

  • 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 ❌

训练#

在 COCO8 数据集上训练 YOLO 100 个轮次，图像尺寸为 640。有关所有可用参数的完整列表，请参阅配置页面。

示例

在 COCO8 上启动 YOLO26n 训练，训练 100 个轮次，图像尺寸为 640：

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

验证#

验证训练后模型在 COCO8 数据集上的准确率。如果省略 data，自定义模型会沿用训练时使用的 data；官方权重则会回退到该任务的默认 coco8.yaml。

示例

验证官方 YOLO26n 模型：

yolo detect val model=yolo26n.pt data=coco8.yaml

预测#

使用训练好的模型对图像进行预测。

示例

使用官方 YOLO26n 模型进行预测：

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

导出#

将模型导出为其他格式，例如 ONNX 或 CoreML。

示例

将官方 YOLO26n 模型导出为 ONNX 格式：

yolo export model=yolo26n.pt format=onnx

下表列出了 Ultralytics 支持的导出格式。你可以使用 format 参数导出为任意格式，例如 format='onnx' 或 format='engine'。

格式format 参数模型元数据参数
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, quantize, dynamic, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, quantize, dynamic, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, quantize, nms, batch, device
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, quantize, opset, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, opset, batch, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, quantize, opset, data, fraction, device
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, dynamic, quantize, simplify, opset, nms, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, quantize, batch, device
IMX500imxyolo26n_imx_model/✅imgsz, quantize, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, quantize, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, quantize, simplify, opset, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou, device
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms, device
AMD Xilinxxilinxyolo26n_xilinx_model/✅imgsz, name, quantize, data, fraction, opset, simplify, device

nms=None 默认输出原始结果，以供外部 NMS 使用。设置 nms=False 可选择可用的无 NMS 检测头；不支持的格式会回退到其原生输出路径。上方的 nms 条目表示可以通过 nms=True 嵌入 NMS 的格式。

请在 导出 页面查看完整的 export 详情。

覆盖默认参数#

通过在 CLI 中以 arg=value 键值对的形式传入参数，即可覆盖默认参数。

提示

以 0.01 的学习率训练检测模型 10 个周期：

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

覆盖默认配置文件#

通过 cfg 参数传入新文件（例如 cfg=custom.yaml），即可完全覆盖 default.yaml 配置文件。

首先，在当前工作目录中使用 yolo copy-cfg 命令创建 default.yaml 的副本，该命令会生成 default_copy.yaml 文件。

然后，你可以将此文件作为 cfg=default_copy.yaml 传入，并附加其他参数，例如本例中的 imgsz=320：

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

解决方案命令#

Ultralytics 通过 CLI 提供可直接使用的解决方案，适用于常见的计算机视觉应用。yolo solutions 命令提供目标计数、裁剪、模糊处理、锻炼监测、热力图、实例分割、VisionEye、速度估算、队列管理、分析、Streamlit 推理、基于区域的跟踪、区域计数、安全警报和停车管理；完整目录请参阅解决方案页面。运行 yolo solutions help 可列出所有支持的解决方案及其参数。

示例

统计视频或实时流中的对象：

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

如需了解更多 Ultralytics 解决方案的信息，请访问解决方案页面。

常见问题#

  • 要使用 CLI 训练模型，请在终端中执行一行命令。例如，要训练检测模型 10 个周期，请运行：

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

    此命令使用带有特定参数的 train 模式。有关可用参数的完整列表，请参阅配置指南。

  • Ultralytics YOLO CLI 支持多种任务，包括检测、分割、语义分割、深度估计、分类、姿态估计和有向边界框检测。你还可以执行以下操作：

    • 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>。
    • 使用解决方案：运行 yolo solutions <solution_name> 使用现成应用。

    你可以使用各种参数自定义每项任务。有关详细语法和示例，请参阅相应部分，例如训练、预测和导出。

  • 要验证模型的准确性，请使用 val 模式。例如，要验证一个预训练检测模型（批量大小为 1，图像尺寸为 640），请运行：

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

    此命令会在指定数据集上评估模型，并提供 mAP、精确率和召回率等性能指标。更多详情请参阅 Val 部分。

  • 你可以将 YOLO 模型导出为多种格式，包括 ONNX、TensorRT、CoreML、TensorFlow 等。例如，要将模型导出为 ONNX 格式，请运行：

    yolo export model=yolo26n.pt format=onnx

    导出命令支持多种选项，可针对特定部署环境优化模型。有关所有可用导出格式及其参数的完整详情，请访问导出页面。

  • Ultralytics 通过 solutions 命令提供可直接使用的解决方案。例如，要统计视频中的对象：

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

    这些解决方案只需极少配置，即可立即执行常见计算机视觉任务。要查看所有可用解决方案，请运行 yolo solutions help。每个解决方案都有可自定义的特定参数，以满足你的需求。

贡献者
GLglenn-jocher28RAraimbekovm5AMambitious-octopus3BUBurhan-Q3JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

评论