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

uv sync
uv run yolo-train-tui

Также приложение можно запустить как модуль:

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:

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

uv run pytest

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