Fix broken docs language links (#6323)
Signed-off-by: Glenn Jocher <glenn.jocher@ultralytics.com> Co-authored-by: pre-commit-ci[bot] <66853113+pre-commit-ci[bot]@users.noreply.github.com>
This commit is contained in:
Glenn Jocher
GitHub
parent
f767aa13ae
commit
ec977f6ca7
32 changed files with 139 additions and 126 deletions
|
|
@ -88,7 +88,7 @@ Voir le fichier [requirements.txt](https://github.com/ultralytics/ultralytics/bl
|
|||
|
||||
## Utiliser Ultralytics avec CLI
|
||||
|
||||
L'interface en ligne de commande (CLI) d'Ultralytics permet l'utilisation de commandes simples en une seule ligne sans nécessiter d'environnement Python. La CLI ne requiert pas de personnalisation ou de code Python. Vous pouvez simplement exécuter toutes les tâches depuis le terminal avec la commande `yolo`. Consultez le [Guide CLI](../usage/cli.md) pour en savoir plus sur l'utilisation de YOLOv8 depuis la ligne de commande.
|
||||
L'interface en ligne de commande (CLI) d'Ultralytics permet l'utilisation de commandes simples en une seule ligne sans nécessiter d'environnement Python. La CLI ne requiert pas de personnalisation ou de code Python. Vous pouvez simplement exécuter toutes les tâches depuis le terminal avec la commande `yolo`. Consultez le [Guide CLI](/../usage/cli.md) pour en savoir plus sur l'utilisation de YOLOv8 depuis la ligne de commande.
|
||||
|
||||
!!! exemple
|
||||
|
||||
|
|
@ -102,7 +102,7 @@ L'interface en ligne de commande (CLI) d'Ultralytics permet l'utilisation de com
|
|||
MODE (obligatoire) est l'un de [train, val, predict, export, track]
|
||||
ARGS (facultatif) sont n'importe quel nombre de paires personnalisées 'arg=valeur' comme 'imgsz=320' qui remplacent les valeurs par défaut.
|
||||
```
|
||||
Voyez tous les ARGS dans le [Guide de Configuration](../usage/cfg.md) complet ou avec `yolo cfg`
|
||||
Voyez tous les ARGS dans le [Guide de Configuration](/../usage/cfg.md) complet ou avec `yolo cfg`
|
||||
|
||||
=== "Entraînement"
|
||||
|
||||
|
|
@ -152,13 +152,13 @@ L'interface en ligne de commande (CLI) d'Ultralytics permet l'utilisation de com
|
|||
- `yolo predict model yolov8n.pt imgsz 640 conf 0.25` ❌
|
||||
- `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25` ❌
|
||||
|
||||
[Guide CLI](../usage/cli.md){ .md-button .md-button--primary}
|
||||
[Guide CLI](/../usage/cli.md){ .md-button .md-button--primary}
|
||||
|
||||
## Utiliser Ultralytics avec Python
|
||||
|
||||
L'interface Python de YOLOv8 permet une intégration transparente dans vos projets Python, facilitant le chargement, l'exécution et le traitement de la sortie du modèle. Conçue avec simplicité et facilité d'utilisation à l'esprit, l'interface Python permet aux utilisateurs de mettre en œuvre rapidement la détection d'objets, la segmentation et la classification dans leurs projets. Cela fait de l'interface Python de YOLOv8 un outil inestimable pour quiconque cherche à intégrer ces fonctionnalités dans ses projets Python.
|
||||
|
||||
Par exemple, les utilisateurs peuvent charger un modèle, l'entraîner, évaluer ses performances sur un set de validation, et même l'exporter au format ONNX avec seulement quelques lignes de code. Consultez le [Guide Python](../usage/python.md) pour en savoir plus sur l'utilisation de YOLOv8 au sein de vos projets Python.
|
||||
Par exemple, les utilisateurs peuvent charger un modèle, l'entraîner, évaluer ses performances sur un set de validation, et même l'exporter au format ONNX avec seulement quelques lignes de code. Consultez le [Guide Python](/../usage/python.md) pour en savoir plus sur l'utilisation de YOLOv8 au sein de vos projets Python.
|
||||
|
||||
!!! exemple
|
||||
|
||||
|
|
@ -184,4 +184,4 @@ Par exemple, les utilisateurs peuvent charger un modèle, l'entraîner, évaluer
|
|||
succès = model.export(format='onnx')
|
||||
```
|
||||
|
||||
[Guide Python](../usage/python.md){.md-button .md-button--primary}
|
||||
[Guide Python](/../usage/python.md){.md-button .md-button--primary}
|
||||
|
|
|
|||
|
|
@ -37,7 +37,7 @@ Les [modèles](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/
|
|||
|
||||
## Entraînement
|
||||
|
||||
Entraînez le modèle YOLOv8n-cls sur le dataset MNIST160 pendant 100 époques avec une taille d'image de 64. Pour une liste complète des arguments disponibles, consultez la page [Configuration](../../usage/cfg.md).
|
||||
Entraînez le modèle YOLOv8n-cls sur le dataset MNIST160 pendant 100 époques avec une taille d'image de 64. Pour une liste complète des arguments disponibles, consultez la page [Configuration](/../usage/cfg.md).
|
||||
|
||||
!!! example ""
|
||||
|
||||
|
|
@ -164,7 +164,7 @@ Les formats d'exportation disponibles pour YOLOv8-cls sont présentés dans le t
|
|||
| [TF SavedModel](https://www.tensorflow.org/guide/saved_model) | `saved_model` | `yolov8n-cls_saved_model/` | ✅ | `imgsz`, `keras` |
|
||||
| [TF GraphDef](https://www.tensorflow.org/api_docs/python/tf/Graph) | `pb` | `yolov8n-cls.pb` | ❌ | `imgsz` |
|
||||
| [TF Lite](https://www.tensorflow.org/lite) | `tflite` | `yolov8n-cls.tflite` | ✅ | `imgsz`, `half`, `int8` |
|
||||
| [TF Edge TPU](https://coral.ai/docs/edgetpu/models-into/) | `edgetpu` | `yolov8n-cls_edgetpu.tflite` | ✅ | `imgsz` |
|
||||
| [TF Edge TPU](https://coral.ai/docs/edgetpu/models-intro/) | `edgetpu` | `yolov8n-cls_edgetpu.tflite` | ✅ | `imgsz` |
|
||||
| [TF.js](https://www.tensorflow.org/js) | `tfjs` | `yolov8n-cls_web_model/` | ✅ | `imgsz` |
|
||||
| [PaddlePaddle](https://github.com/PaddlePaddle) | `paddle` | `yolov8n-cls_paddle_model/` | ✅ | `imgsz` |
|
||||
| [ncnn](https://github.com/Tencent/ncnn) | `ncnn` | `yolov8n-cls_ncnn_model/` | ✅ | `imgsz`, `half` |
|
||||
|
|
|
|||
|
|
@ -48,7 +48,7 @@ Les modèles pré-entraînés Detect YOLOv8 sont présentés ici. Les modèles D
|
|||
|
||||
## Entraînement
|
||||
|
||||
Entraînez le modèle YOLOv8n sur le jeu de données COCO128 pendant 100 époques à la taille d'image de 640. Pour une liste complète des arguments disponibles, consultez la page [Configuration](../../usage/cfg.md).
|
||||
Entraînez le modèle YOLOv8n sur le jeu de données COCO128 pendant 100 époques à la taille d'image de 640. Pour une liste complète des arguments disponibles, consultez la page [Configuration](/../usage/cfg.md).
|
||||
|
||||
!!! example ""
|
||||
|
||||
|
|
|
|||
|
|
@ -48,7 +48,7 @@ Les [modèles](https://github.com/ultralytics/ultralytics/tree/main/ultralytics/
|
|||
|
||||
## Formation
|
||||
|
||||
Entraînez YOLOv8n-seg sur le jeu de données COCO128-seg pendant 100 époques à la taille d'image 640. Pour une liste complète des arguments disponibles, consultez la page [Configuration](../../usage/cfg.md).
|
||||
Entraînez YOLOv8n-seg sur le jeu de données COCO128-seg pendant 100 époques à la taille d'image 640. Pour une liste complète des arguments disponibles, consultez la page [Configuration](/../usage/cfg.md).
|
||||
|
||||
!!! exemple ""
|
||||
|
||||
|
|
|
|||
Loading…
Add table
Add a link
Reference in a new issue