# YOLO Train TUI

Терминальный интерфейс для обучения моделей Ultralytics YOLO с автоматической
регистрацией параметров, метрик и артефактов в MLflow.

## Возможности

- задачи `detect`, `segment`, `classify`, `pose` и `obb`;
- локальные пути, YAML-конфигурации и официальные имена моделей/датасетов;
- настройка эпох, размера изображения, batch, устройства, workers и patience;
- настройка цветовых и геометрических аугментаций, flip, Mosaic, MixUp,
  CutMix, copy-paste, erasing и AutoAugment;
- обучение в фоновом потоке, прогресс по эпохам, журнал и мягкая остановка;
- встроенная интеграция Ultralytics ↔ MLflow;
- локальное MLflow-хранилище по умолчанию или внешний tracking server.

## Установка и запуск

```bash
uv sync
uv run yolo-train-tui
```

Также приложение можно запустить как модуль:

```bash
uv run -m yolo_tui
```

При первом использовании официального имени модели (например, `yolo11n.pt`)
Ultralytics автоматически скачает веса. Для полностью локальной работы укажите
путь к уже загруженному `.pt` или `.yaml` файлу.

## Датасеты

Для `detect`, `segment`, `pose` и `obb` укажите путь к YAML-файлу датасета.
Для `classify` укажите каталог с подкаталогами `train`, `test`/`val`, внутри
которых изображения разложены по классам.

## MLflow

По умолчанию метаданные записываются в локальную SQLite-базу `./mlflow.db`,
сервер для обучения не требуется. Артефакты сохраняются локально средствами MLflow.
Открыть интерфейс просмотра:

```bash
uv run mlflow ui --backend-store-uri sqlite:///mlflow.db
```

Затем откройте `http://127.0.0.1:5000`. Для удаленного MLflow-сервера включите
MLflow в TUI и замените Tracking URI на адрес вида `http://mlflow.example:5000`.

## Проверка

```bash
uv run pytest
```

Ultralytics распространяется по лицензии AGPL-3.0; для закрытых коммерческих
продуктов проверьте условия Enterprise-лицензии Ultralytics.