Ultralytics YOLO27：

命令行接口#

Ultralytics 命令行接口 (CLI) 提供了一种无需 Python 环境即可使用 Ultralytics YOLO 模型的简便方法。该 CLI 支持使用 yolo 命令直接从终端运行各种任务，无需任何自定义或 Python 代码。



Watch: Mastering 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] 之一
  • MODE (必需) 是 [train, val, predict, export, track, benchmark] 之一
  • ARGS (可选) 是任意数量的自定义 arg=value 对，例如用于覆盖默认值的 imgsz=320。

在完整配置指南中或通过 yolo cfg 查看所有 ARGS。

其中：

  • TASK (可选) 是 [detect, segment, semantic, depth, classify, pose, obb] 之一。如果未显式传递，YOLO 将尝试从模型类型推断 TASK。
  • MODE (必需) 是 [train, val, predict, export, track, benchmark] 之一
  • ARGS (可选) 是任意数量的自定义 arg=value 对，例如用于覆盖默认值的 imgsz=320。有关可用 ARGS 的完整列表，请参阅配置页面和 default.yaml。
警告

参数必须作为 arg=val 对传递，以等号 = 分隔，并在各对之间用空格分隔。请勿在参数之间使用 -- 参数前缀或逗号 ,。

  • 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 数据集上以图像大小 640 训练 YOLO 100 个轮次。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 训练 YOLO26n 100 个轮次：

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

验证#

验证训练模型在 COCO8 数据集上的准确率。无需任何参数，因为 model 保留其训练 data 和参数作为模型属性。

示例

验证官方 YOLO26n 模型：

yolo detect val model=yolo26n.pt

Predict#

使用训练好的模型对图像运行预测。

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 ONNX 或 CoreML 等不同格式。

示例

将官方 YOLO26n 模型导出为 ONNX 格式：

yolo export model=yolo26n.pt format=onnx

可用的 Ultralytics 导出格式如下表所示。你可以使用 format 参数导出到任何格式，即 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
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz、keras、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
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
LiteRTlitertyolo26n.tflite✅imgsz、quantize、batch、data、fraction、device
Hailohailoyolo26n_hailo_model/✅imgsz、name、quantize、data、fraction、simplify、conf、iou
Huawei Ascendascendyolo26n_ascend_model/✅imgsz、batch、name、quantize、opset、simplify、nms
Apple Core AIcoreaiyolo26n.aimodel✅imgsz、batch、quantize

nms=None 默认对外部 NMS 使用原始输出。设置 nms=False 以选择可用的无 NMS 检测头；不支持的格式将回退到其本机输出路径。上面的 nms 条目标识了可以通过 nms=True 嵌入 NMS 的格式。

请在导出页面上查看完整的 export 详情。

覆盖默认参数#

通过在 CLI 中将默认参数作为 arg=value 对传递来覆盖它们。

提示

使用学习率 0.01 训练检测模型 10 个轮次：

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

覆盖默认配置文件#

通过使用 cfg 参数传递新文件（例如 cfg=custom.yaml），完全覆盖 default.yaml 配置文件。

为此，请首先使用 yolo copy-cfg 命令在当前工作目录中创建 default.yaml 的副本，这会创建一个 default_copy.yaml 文件。

然后，你可以将此文件作为 cfg=default_copy.yaml 传递，并附加任何其他参数，如本示例中的 imgsz=320：

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

解决方案命令#

Ultralytics 通过 CLI 为常见计算机视觉应用提供即用型解决方案。yolo solutions 命令提供了对象计数、裁剪、模糊、锻炼监控、热力图、实例分割、VisionEye、速度估计、排队管理、分析、Streamlit 推理和基于区域的跟踪——有关完整目录，请参阅解决方案页面。运行 yolo solutions help 以列出所有受支持的解决方案及其参数。

示例

对视频或实时流中的对象进行计数：

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

有关 Ultralytics 解决方案的更多信息，请访问解决方案页面。

常见问题#

  • 要使用 CLI 训练模型，请在终端中执行单行命令。例如，要使用 0.01 的学习率训练检测模型 10 个轮次，请运行：

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

    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，请参考配置指南。

  • Ultralytics YOLO CLI 支持各种任务，包括检测、分割、语义分割、深度估计、分类、姿态估计和旋转边界框检测。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> 以使用现成应用。

    使用各种参数自定义每个任务。有关详细语法和示例，请参阅训练、预测和导出等相应部分。

  • 要验证模型的准确率，请使用 val 模式。例如，要使用 1 的批次大小和 640 的图像大小验证预训练检测模型，请运行：

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

    此命令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。有关更多详细信息，请参考验证部分。

  • 你可以将 YOLO 模型导出为各种格式，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

    导出命令支持众多选项，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特定参数的完整详细信息，请访问导出页面。

  • Ultralytics 通过 solutions 命令提供即用型解决方案。例如，要在视频中对对象进行计数：

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

    这些解决方案需要极少的配置，并为常见的计算机视觉任务提供即时功能。要查看所有可用的解决方案，请运行 yolo solutions help。每个解决方案都有可自定义以满足需求的特定参数。

贡献者
GLglenn-jocher27AMambitious-octopus3BUBurhan-Q3RAraimbekovm2JKjk4e2SEsergiuwaxmann1BOBovey08091LALaughing-q1PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

评论