Link to this section命令行界面#
Ultralytics 命令行界面 (CLI) 提供了一种无需 Python 环境即可使用 Ultralytics YOLO 模型的方法。该 CLI 支持直接在终端中使用 yolo 命令运行各种任务，无需自定义或编写 Python 代码。
Watch: Mastering Ultralytics YOLO: CLI
Ultralytics yolo 命令使用以下语法：
yolo TASK MODE ARGS其中：
TASK（可选）是 [detect, segment, semantic, classify, pose, obb] 之一MODE（必填）是 [train, val, predict, export, track, benchmark] 之一ARGS（可选）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。
请在完整的 Configuration Guide 中或通过 yolo cfg 查看所有 ARGS。
其中：
TASK（可选）是[detect, segment, semantic, classify, pose, obb]之一。如果未明确传递，YOLO 将尝试从模型类型中推断TASK。MODE（必填）是[train, val, predict, export, track, benchmark]之一ARGS（可选）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。有关可用ARGS的完整列表，请参阅 Configuration 页面和default.yaml。
参数必须以 arg=val 键值对的形式传递，通过等号 = 分隔，并在各对之间使用空格分隔。请勿在参数前使用 -- 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❌
Link to this section训练#
在 COCO8 数据集上以图像大小 640 训练 YOLO 100 个 epoch。有关可用参数的完整列表，请参阅 Configuration 页面。
开始在 COCO8 上以图像大小 640 训练 YOLO26n 100 个 epoch：
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640Link to this section验证#
验证训练模型在 COCO8 数据集上的 accuracy。无需任何参数，因为 model 会保留其训练 data 和作为模型属性的参数。
验证官方 YOLO26n 模型：
yolo detect val model=yolo26n.ptLink to this section预测#
使用训练好的模型对图像进行预测。
使用官方 YOLO26n 模型进行预测：
yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'Link to this section导出#
将模型导出为其他格式，如 ONNX 或 CoreML。
将官方 YOLO26n 模型导出为 ONNX 格式：
yolo export model=yolo26n.pt format=onnx下表列出了可用的 Ultralytics 导出格式。你可以使用 format 参数导出为任何格式，例如 format='onnx' 或 format='engine'。
| 格式 | format 参数 | 模型 | 元数据 | 参数 |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, quantize, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, quantize, dynamic, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, quantize, dynamic, simplify, workspace, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, quantize, nms, batch, device |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, keras, quantize, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, batch, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, quantize, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, quantize, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, quantize, batch, device |
| IMX500 | imx | yolo26n_imx_model/ | ✅ | imgsz, quantize, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, quantize, data, fraction, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, quantize, data, fraction, device |
| DEEPX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, quantize, data, optimize, device |
| Qualcomm QNN | qnn | yolo26n_qnn.onnx | ✅ | imgsz, batch, name, quantize, data, fraction, device |
| LiteRT | litert | yolo26n.tflite | ✅ | imgsz, quantize, batch, data, fraction, device |
查看关于 export 的完整详细信息，请访问 Export 页面。
Link to this section覆盖默认参数#
通过在 CLI 中以 arg=value 键值对的形式传递参数来覆盖默认参数。
训练检测模型 10 个 epoch，学习率为 0.01：
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01Link to this section覆盖默认配置文件#
Override the default.yaml configuration file entirely by passing a new file with the cfg argument, such as cfg=custom.yaml.
To do this, first create a copy of default.yaml in your current working directory with the yolo copy-cfg command, which creates a default_copy.yaml file.
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，例如本例中的 imgsz=320：
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320Link to this section解决方案命令#
Ultralytics 通过 CLI 为常见的计算机视觉应用提供现成的解决方案。yolo solutions 命令公开了对象计数、裁剪、模糊、锻炼监测、热力图、实例分割、VisionEye、速度估计、队列管理、分析、Streamlit 推理和基于区域的跟踪——请参阅 Solutions 页面获取完整目录。运行 yolo solutions help 可列出每个受支持的解决方案及其参数。
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欲了解有关 Ultralytics 解决方案的更多信息，请访问 Solutions 页面。
Link to this section常见问题解答#
Link to this section如何使用 Ultralytics YOLO 命令行界面 (CLI) 进行模型训练？#
要使用 CLI 训练模型，请在终端中执行单行命令。例如，要以 0.01 的 learning rate 训练检测模型 10 个 epoch，请运行：
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01此命令使用具有特定参数的 train 模式。有关可用参数的完整列表，请参考 Configuration Guide。
Link to this section我可以使用 Ultralytics YOLO CLI 执行哪些任务？#
Ultralytics YOLO CLI 支持各种任务，包括 detection、segmentation、semantic segmentation、classification、pose estimation 和 oriented bounding box detection。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>以获取现成的应用程序。
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 Train、Predict 和 Export 等相应部分。
Link to this section如何使用 CLI 验证训练后的 YOLO 模型的准确性？#
要验证模型的 accuracy，请使用 val 模式。例如，要验证 batch size 为 1 且图像大小为 640 的预训练检测模型，请运行：
yolo val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640此命令会在指定数据集上评估模型，并提供 mAP、precision 和 recall 等性能指标。有关更多详细信息，请参考 Val 部分。
Link to this section我可以使用 CLI 将我的 YOLO 模型导出为哪些格式？#
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=onnxexport 命令支持多种选项，可针对特定部署环境优化你的模型。有关所有可用导出格式及其特定参数的完整详情，请访问 Export 页面。
Link to this section如何使用 Ultralytics CLI 中的预构建解决方案？#
Ultralytics 通过 solutions 命令提供现成的解决方案。例如，统计视频中的对象：
yolo solutions count source="path/to/video.mp4"这些解决方案需要最少的配置，并能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。每个解决方案都有特定的参数，可以根据你的需求进行自定义。