YOLO 两种使用方式

YOLO 命令行

YOLO命令行界面（command line interface, CLI）， 方便在各种任务和版本上训练、验证或推断模型。CLI不需要定制或代码，可以使用 yolo 命令从终端运行所有任务。

【YOLO CLI 官方文档】：CLI - Ultralytics YOLOv8 Docs

语法（Usage）

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.

查看所有参数：yolo cfg

训练（Train）

在COCO128上以图像大小 640 训练 YOLOv8n 100 个 epoch

yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640

恢复中断的训练

yolo detect train resume model=last.pt

验证（Val）

在COCO128数据集上验证经过训练的 YOLOv8n 模型准确性。无需传递参数，因为它 model 保留了它的训练 data 和参数作为模型属性。

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

预测（Predict）

使用经过训练的 YOLOv8n 模型对图像运行预测。

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

导出（Export）

将 YOLOv8n 模型导出为不同的格式，如 ONNX、CoreML 等。

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

可用导出形式如下

覆盖默认配置文件

首先使用命令 yolo copy-cfg 在当前工作目录中创建一个 default.yaml 的副本 default_copy.yaml，之后即可指定配置文件来覆盖默认配置文件

yolo cfg=default_copy.yaml imgsz=320

Python 脚本

YOLOv8 可以无缝集成到 Python 项目中，以进行对象检测、分割和分类。同时易于使用的 Python 界面是一个宝贵的资源，能够快速实现高级对象检测功能

【YOLO Python 官方文档】：CLI - Ultralytics YOLOv8 Docs — CLI - Ultralytics YOLOv8 文档

示例

from ultralytics import YOLO

#从头开始创建一个新的YOLO模型
model = YOLO('yolov8n.yaml')

#加载预训练的YOLO模型（推荐用于训练）
model = YOLO('yolov8n.pt')

#使用'coco128.yaml'数据集对模型进行训练，训练3个epoch
results = model.train(data='coco128.yaml', epochs=3)

 在验证集上评估模型的性能
results = model.val()

#使用模型对图像进行目标检测
results = model('https://ultralytics.com/images/bus.jpg')

#将模型导出为ONNX格式
success = model.export(format='onnx')

训练

训练模式用于在自定义数据集上训练 YOLOv8 模型。在此模式下，使用指定的数据集和超参数训练模型。训练过程涉及优化模型的参数，以便它可以准确地预测图像中对象的类别和位置。

预训练（From pretrained 推荐使用）

from ultralytics import YOLO

model = YOLO('yolov8n.pt') # pass any model type
results = model.train(epochs=5)

初始训练（From scratch）

from ultralytics import YOLO

model = YOLO('yolov8n.yaml')
results = model.train(data='coco128.yaml', epochs=5)

恢复训练（Resume）

model = YOLO("last.pt")
results = model.train(resume=True)

验证

Val 模式用于在训练 YOLOv8 模型后对其进行验证。在此模式下，在验证集上评估模型，以衡量其准确性和泛化性能。此模式可用于调整模型的超参数以提高其性能。

训练后验证

from ultralytics import YOLO

#导入YOLO模型
model = YOLO('yolov8n.yaml')

#使用'coco128.yaml'数据集对模型进行训练，训练5个epoch
model.train(data='coco128.yaml', epochs=5)

#对训练数据进行自动评估
model.val()  # 它会自动评估您训练的数据。


单独验证



from ultralytics import YOLO

#导入YOLO模型
model = YOLO("model.pt")
#如果您没有设置data参数，它将使用model.pt中的数据YAML文件。
model.val()
#或者您可以设置要验证的数据
model.val(data='coco128.yaml')

预测

预测模式用于使用经过训练的 YOLOv8 模型对新图像或视频进行预测。在此模式下，模型从检查点文件加载，用户可以提供图像或视频来执行推理。该模型预测输入图像或视频中对象的类别和位置。

from ultralytics import YOLO
from PIL import Image
import cv2

	model = YOLO("model.pt")
#接受各种格式 - 图像/目录/路径/URL/视频/PIL/ndarray。0表示网络摄像头
results = model.predict(source="0")
results = model.predict(source="folder", show=True) # 显示预测结果。接受所有YOLO预测参数

#使用PIL库
im1 = Image.open("bus.jpg")
results = model.predict(source=im1, save=True)  # 保存绘制的图像

 使用ndarray
im2 = cv2.imread("bus.jpg")
results = model.predict(source=im2, save=True, save_txt=True)  # 将预测结果保存为标签

 使用PIL/ndarray列表
results = model.predict(source=[im1, im2])

导出

导出模式用于将 YOLOv8 模型导出为可用于部署的格式。在此模式下，模型将转换为可供其他软件应用程序或硬件设备使用的格式。将模型部署到生产环境时，此模式非常有用。

from ultralytics import YOLO

model = YOLO('yolov8n.pt')
model.export(format='onnx', dynamic=True)

跟踪

跟踪模式用于使用 YOLOv8 模型实时跟踪对象。在此模式下，模型从检查点文件加载，用户可以提供实时视频流来执行实时对象跟踪。此模式对于监控系统或自动驾驶汽车等应用非常有用。

from ultralytics import YOLO

#加载模型
model = YOLO('yolov8n.pt')  # 加载官方的检测模型
model = YOLO('yolov8n-seg.pt')  # 加载官方的分割模型
model = YOLO('path/to/best.pt')  # 加载自定义模型

 使用模型进行目标跟踪
results = model.track(source="https://youtu.be/Zgi9g1ksQHc", show=True)
results = model.track(source="https://youtu.be/Zgi9g1ksQHc", show=True, tracker="bytetrack.yaml")

训练器

YOLO模型类是Trainer类的高级包装器。每个YOLO任务都有自己的从BaseTrainer继承来的训练器。

from ultralytics.yolo import v8 import DetectionTrainer, DetectionValidator, DetectionPredictor

#trainer
trainer = DetectionTrainer(overrides={})
trainer.train()
trained_model = trainer.best

#Validator
val = DetectionValidator(args=...)
val(model=trained_model)

 predictor
pred = DetectionPredictor(overrides={})
pred(source=SOURCE, model=trained_model)

#resume from last weight
overrides["resume"] = trainer.last
trainer = detect.DetectionTrainer(overrides=overrides)