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.
yolo cfg
训练检测模型 10次,初始学习率为 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:
将 YOLO11n 分类模型导出为ONNX 格式,图像大小为 224 x 128(无需 TASK)
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=value
如imgsz=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
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
预测
使用训练有素的 YOLO11n 模型对图像进行预测。
示例
出口
将 YOLO11n 模型导出为不同格式,如ONNX,CoreML 等。
示例
YOLO11 可用的导出格式如下表所示。您可以使用 format
参数,即 format='onnx'
或 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 epochs
与 learning_rate
的 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:
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:
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
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、预测和导出。
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:
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
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
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。