YOLO11训练推理预测CMD操作命令参数大全

Ultralytics YOLO11 是一款前沿的、最先进的SOTA模型，它在之前 YOLO 版本的成功基础上进行了改进，并引入了新的功能和优化，以进一步提升性能和灵活性。YOLO11 旨在实现快速、准确且易于使用，使其成为广泛目标检测与跟踪、实例分割、图像分类以及姿态估计任务的理想选择。

YOLO11的功能十分强大，所以操作命令也非常多，我根据官方文档整理了最新版YOLO11的各项任务的详细操作命令，包括主要的训练和推理预测等。

YOLO命令格式：yolo TASK MODE ARGS

TASK:任务类型，值可以省略。TASK 的可选值如下：

Detect（默认参数）

任务类型：目标检测

功能：检测图像或视频中的物体，并输出物体的边界框和类别标签。

示例命令：

yolo detect predict model=yolo11n.pt source=’image.jpg’

segment

任务类型：实例分割

功能：不仅检测物体，还为每个物体生成像素级的掩码。

示例命令：

yolo segment predict model=yolo11n-seg.pt source=’image.jpg’

classify

任务类型：图像分类

功能：对图像进行分类，输出图像的类别标签。

示例命令：

yolo classify predict model=yolo11n-cls.pt source=’image.jpg’

pose

任务类型：姿态估计

功能：检测图像中的人体关键点（如关节），并输出关键点的位置。

示例命令：

yolo pose predict model=yolo11n-pose.pt source=’image.jpg’

obb

任务类型：旋转框检测

功能：检测物体并输出旋转的边界框（适用于倾斜的物体）。

示例命令：

yolo obb predict model=yolo11n-obb.pt source=’image.jpg’

TASK值默认可以忽略，程序会根据模型类型自动推断任务类型，处理多种任务时推荐指明参数。

MODE：必需，用于指定要执行的操作模式，定义了 YOLO 的具体行为

train

功能：训练模型。

用途：使用指定的数据集和配置文件训练 YOLO 模型。

示例命令：

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

在图像大小为640的COCO8数据集上训练YOLO11n 100个迭代周期。

val

功能：验证模型。

用途：在验证集上评估模型的性能，计算指标（如 mAP、精度、召回率等）。

示例命令：

yolo detect val model=yolo11n.pt

predict

功能：推理预测。

用途：使用训练好的模型对新的图像或视频进行推理，生成检测结果（如边界框、类别标签、置信度等）。

示例命令：

yolo detect predict model=yolo11n.pt source=’https://ultralytics.com/images/bus.jpg’

export

功能：导出模型。

用途：将训练好的模型导出为其他格式（如 ONNX、TensorRT、CoreML 等），以便在其他平台或框架中使用。

示例命令：

yolo export model=yolo11n.pt format=onnx

track

功能：目标跟踪。

用途：在视频中进行目标检测并跟踪物体的运动轨迹。

示例命令：

yolo track model=yolo11n.pt source=’video.mp4′

benchmark

功能：模型性能基准测试。

用途：测试模型在不同硬件上的推理速度（如 FPS）和资源占用情况。

示例命令：

yolo benchmark model=yolo11n.pt imgsz=640

Train训练

示例代码：

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

命令解释：在图像大小为640的COCO8数据集上训练YOLO11n 100个迭代周期。其他参数：

Predict推理命令参数：