Komut Satırı Arayüzü
Ultralytics komut satırı arayüzü (CLI), bir Python ortamına ihtiyaç duymadan Ultralytics YOLO modellerini kullanmanın basit bir yolunu sunar. CLI, herhangi bir özelleştirme veya Python kodu gerektirmeksizin yolo komutunu kullanarak doğrudan terminalden çeşitli görevleri çalıştırmayı destekler.
Watch: Mastering Ultralytics YOLO: CLI
Ultralytics yolo komutları aşağıdaki sözdizimini kullanır:
yolo TASK MODE ARGSBurada:
TASK(isteğe bağlı) şunlardan biridir: [detect, segment, classify, pose, obb]MODE(gerekli) şunlardan biridir: [train, val, predict, export, track, benchmark]ARGS(optional) are any number of customarg=valuepairs likeimgsz=320that override defaults.
Tüm ARGS'leri Yapılandırma Kılavuzu bölümünde veya yolo cfg komutu ile görebilirsin.
Burada:
TASK(isteğe bağlı)[detect, segment, classify, pose, obb]değerlerinden biridir. Eğer açıkça belirtilmezse, YOLOTASKdeğerini model tipinden çıkarmaya çalışacaktır.MODE(gerekli)[train, val, predict, export, track, benchmark]değerlerinden biridirARGS(optional) are any number of customarg=valuepairs likeimgsz=320that override defaults. For a full list of availableARGS, see the Configuration page anddefault.yaml.
Arguments must be passed as arg=val pairs, separated by an equals = sign and delimited by spaces between pairs. Do not use -- argument prefixes or commas , between arguments.
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❌
Eğitim
YOLO'yu COCO8 veri kümesi üzerinde 100 epoch boyunca 640 görüntü boyutunda eğit. Kullanılabilir argümanların tam listesi için Yapılandırma sayfasına bak.
YOLO26n'yi COCO8 üzerinde 100 epoch boyunca 640 görüntü boyutunda eğitmeye başla:
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640Doğrulama
Eğitilmiş modelin doğruluğunu COCO8 veri kümesi üzerinde doğrula. model, eğitim data'sını ve argümanlarını model özellikleri olarak koruduğu için herhangi bir argümana gerek yoktur.
Resmi bir YOLO26n modelini doğrula:
yolo detect val model=yolo26n.ptTahmin
Görüntüler üzerinde tahmin çalıştırmak için eğitilmiş bir model kullan.
Resmi bir YOLO26n modeli ile tahmin yap:
yolo detect predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'Dışa Aktarma
Bir modeli ONNX veya CoreML gibi farklı bir formata aktar.
Resmi bir YOLO26n modelini ONNX formatına aktar:
yolo export model=yolo26n.pt format=onnxKullanılabilir Ultralytics dışa aktarma formatları aşağıdaki tabloda yer almaktadır. format argümanını kullanarak, örneğin format='onnx' veya format='engine' şeklinde herhangi bir formata aktarım yapabilirsin.
| Format | format Argümanı | Model | Meta veri | Argümanlar |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, half, dynamic, optimize, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, half, dynamic, simplify, opset, nms, batch, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, half, dynamic, int8, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, half, dynamic, simplify, workspace, int8, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, half, int8, nms, batch, device |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, keras, int8, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, batch, device |
| TF Lite | tflite | yolo26n.tflite | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, int8, data, fraction, device |
| TF.js | tfjs | yolo26n_web_model/ | ✅ | imgsz, half, int8, nms, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, int8, half, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, half, batch, device |
| IMX500 | imx | yolo26n_imx_model/ | ✅ | imgsz, int8, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, batch, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, int8, data, fraction, device |
| DeepX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, int8, data, optimize, device |
Tam export ayrıntıları için Export sayfasına göz at.
Varsayılan Argümanları Geçersiz Kılma
CLI içinde arg=value çiftleri şeklinde ileterek varsayılan argümanları geçersiz kılabilirsin.
Bir algılama modelini 0.01 öğrenme oranıyla 10 epoch boyunca eğit:
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01Varsayılan Yapılandırma Dosyasını Geçersiz Kılma
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.
You can then pass this file as cfg=default_copy.yaml along with any additional arguments, like imgsz=320 in this example:
yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320Çözüm Komutları
Ultralytics, CLI aracılığıyla yaygın bilgisayarlı görü uygulamaları için kullanıma hazır çözümler sunar. yolo solutions komutu nesne sayma, kırpma, bulanıklaştırma, antrenman izleme, ısı haritaları, örnek segmentasyonu, VisionEye, hız tahmini, sıra yönetimi, analitik, Streamlit çıkarımı ve bölge tabanlı takip özelliklerini sunar — tüm katalog için Solutions sayfasına bak. Desteklenen her çözümü ve argümanlarını listelemek için yolo solutions help komutunu çalıştır.
Bir videodaki veya canlı yayındaki nesneleri say:
yolo solutions count show=True
yolo solutions count source="path/to/video.mp4" # specify video file pathUltralytics çözümleri hakkında daha fazla bilgi için Solutions sayfasını ziyaret et.
SSS
Model eğitimi için Ultralytics YOLO komut satırı arayüzünü (CLI) nasıl kullanırım?
CLI kullanarak bir modeli eğitmek için terminalde tek satırlık bir komut çalıştır. Örneğin, bir algılama modelini 0.01'lik bir öğrenme oranı ile 10 epoch boyunca eğitmek için şunu çalıştır:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01Bu komut, belirli argümanlarla train modunu kullanır. Mevcut argümanların tam listesi için Configuration Guide kılavuzuna başvur.
Ultralytics YOLO CLI ile hangi görevleri gerçekleştirebilirim?
Ultralytics YOLO CLI; algılama, segmentasyon, sınıflandırma, pose tahmini ve yönlendirilmiş sınırlayıcı kutu algılama dahil olmak üzere çeşitli görevleri destekler. Ayrıca şunun gibi işlemler de gerçekleştirebilirsin:
- Bir Model Eğit:
yolo train data=<data.yaml> model=<model.pt> epochs=<num>çalıştır. - Tahminleri Çalıştır:
yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>kullan. - Bir Modeli Dışa Aktar:
yolo export model=<model.pt> format=<export_format>komutunu çalıştır. - Çözümleri Kullan: Hazır uygulamalar için
yolo solutions <solution_name>çalıştır.
Her görevi çeşitli argümanlarla özelleştir. Detaylı sözdizimi ve örnekler için Train, Predict ve Export gibi ilgili bölümlere bak.
CLI kullanarak eğitilmiş bir YOLO modelinin doğruluğunu nasıl doğrulayabilirim?
Bir modelin doğruluğunu doğrulamak için val modunu kullan. Örneğin, 1'lik bir yığın boyutu ve 640 görüntü boyutu ile önceden eğitilmiş bir algılama modelini doğrulamak için şunu çalıştır:
yolo val model=yolo26n.pt data=coco8.yaml batch=1 imgsz=640Bu komut, modeli belirtilen veri kümesinde değerlendirir ve mAP, hassasiyet ve hatırlama gibi performans metrikleri sağlar. Daha fazla detay için Val bölümüne başvur.
YOLO modellerimi CLI kullanarak hangi formatlara dışa aktarabilirim?
YOLO modellerini ONNX, TensorRT, CoreML, TensorFlow ve daha fazlası dahil olmak üzere çeşitli formatlara dışa aktarabilirsin. Örneğin, bir modeli ONNX formatına aktarmak için şunu çalıştır:
yolo export model=yolo26n.pt format=onnxDışa aktarma komutu, modelini belirli dağıtım ortamları için optimize etmek amacıyla çok sayıda seçeneği destekler. Mevcut tüm dışa aktarma formatları ve bunların özel parametreleri hakkında tam detaylar için Export sayfasını ziyaret et.
Ultralytics CLI'daki hazır çözümleri nasıl kullanırım?
Ultralytics, solutions komutu aracılığıyla kullanıma hazır çözümler sunar. Örneğin, bir videodaki nesneleri saymak için:
yolo solutions count source="path/to/video.mp4"Bu çözümler minimum yapılandırma gerektirir ve yaygın bilgisayarlı görü görevleri için anında işlevsellik sağlar. Mevcut tüm çözümleri görmek için yolo solutions help çalıştır. Her çözümün ihtiyaçlarına uyacak şekilde özelleştirilebilen özel parametreleri vardır.