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 YOLOv8 ：CLI

yolo TASK MODE ARGS

Where   TASK (optional) is one of [detect, segment, classify]
        MODE (required) is one of [train, val, predict, export, track]
        ARGS (optional) are any number of custom 'arg=value' pairs like 'imgsz=320' that override defaults.

yolo train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

yolo val model=yolov8n.pt data=coco8.yaml batch=1 imgsz=640

yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128

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

在哪里？

• TASK (可选）是 [detect, segment, classify].如果没有明确传递，YOLOv8 将尝试猜测 TASK 来自模型类型。
• MODE （必填）是 [train, val, predict, export, track]
• 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

火车

在 COCO8 数据集上对YOLOv8n 进行 100 次历时训练，图像大小为 640。有关可用参数的完整列表，请参阅配置页面。

yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

yolo detect train resume model=last.pt

瓦尔

在 COCO8 数据集上验证训练有素的YOLOv8n 模型的准确性。无需传递参数，因为 model 保留其培训 data 和参数作为模型属性。

yolo detect val model=yolov8n.pt

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

预测

使用训练有素的YOLOv8n 模型对图像进行预测。

yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

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

出口

将YOLOv8n 模型导出为不同格式，如ONNX,CoreML 等。

yolo export model=yolov8n.pt format=onnx

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

YOLOv8 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'.

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。

yolo detect train data=coco8.yaml model=yolov8n.pt epochs=10 lr0=0.01

yolo segment predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

yolo detect val model=yolov8n.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：

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

常见问题

如何使用Ultralytics YOLOv8 命令行界面 (CLI) 进行模型训练？

要使用CLI 训练YOLOv8 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=yolov8n.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 YOLOv8 CLI 可以执行哪些任务？

Ultralytics YOLOv8 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：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YOLOv8 模型的准确性？

要验证YOLOv8 模型的准确性，可使用 val 模式。例如，要验证批量大小为 1、图像大小为 640 的预训练检测模型，请运行

yolo val model=yolov8n.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YOLOv8 模型导出成什么格式？

YOLOv8 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=yolov8n.pt format=onnx

有关详细信息，请访问出口页面。

如何自定义YOLOv8 CLI 命令以覆盖默认参数？

要覆盖YOLOv8 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=yolov8n.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。

评论