Python 사용법#

Ultralytics YOLO Python 사용법 문서에 오신 것을 환영합니다! 이 가이드는 객체 검출, 인스턴스 분할, 시맨틱 분할, 깊이 추정, 분류를 위해 Ultralytics YOLO를 Python 프로젝트에 원활하게 통합할 수 있도록 설계되었습니다. 여기서는 사전 학습된 모델을 로드 및 사용하는 방법, 새 모델을 학습하는 방법, 이미지에 대해 예측을 수행하는 방법을 배울 수 있습니다. 사용하기 쉬운 Python 인터페이스는 YOLO를 Python 프로젝트에 통합하려는 모든 사용자에게 유용한 리소스이며, 고급 객체 검출 기능을 빠르게 구현할 수 있게 해줍니다. 시작해 봅시다!

예를 들어, 사용자는 몇 줄의 코드만으로 모델을 로드하고, 학습하고, 검증 세트에서 성능을 평가하고, ONNX 형식으로 내보내기까지 수행할 수 있습니다.

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo26n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo26n.pt")

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format
success = model.export(format="onnx")

학습#

학습 모드는 커스텀 데이터셋에서 YOLO 모델을 학습하는 데 사용됩니다. 이 모드에서는 지정된 데이터셋과 하이퍼파라미터를 사용하여 모델이 학습됩니다. 학습 과정에는 이미지 내 객체의 클래스와 위치를 정확하게 예측할 수 있도록 모델의 파라미터를 최적화하는 작업이 포함됩니다.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # pass any model type
results = model.train(epochs=5)

학습 예제들

검증#

검증 모드는 YOLO 모델이 학습된 후에 모델을 검증하는 데 사용됩니다. 이 모드에서는 모델이 검증 세트에서 평가되어 정확도와 일반화 성능을 측정합니다. 이 모드를 사용하여 모델의 하이퍼파라미터를 튜닝하여 성능을 향상시킬 수 있습니다.

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo26n.yaml")

# Train the model
model.train(data="coco8.yaml", epochs=5)

# Validate on training data
model.val()

검증 예제들

Prediction#

예측 모드는 학습된 YOLO 모델을 사용하여 새로운 이미지나 비디오에 대한 예측을 수행하는 데 사용됩니다. 이 모드에서는 체크포인트 파일에서 모델이 로드되며, 사용자는 이미지나 비디오를 제공하여 추론을 수행할 수 있습니다. 모델은 입력 이미지나 비디오 내 객체의 클래스와 위치를 예측합니다.

import cv2
from PIL import Image

from ultralytics import YOLO

model = YOLO("model.pt")
# accepts all formats - image/dir/Path/URL/video/PIL/ndarray. 0 for webcam
results = model.predict(source="0")
results = model.predict(source="folder", show=True)  # Display preds. Accepts all YOLO predict arguments

# from PIL
im1 = Image.open("bus.jpg")
results = model.predict(source=im1, save=True)  # save plotted images

# from ndarray
im2 = cv2.imread("bus.jpg")
results = model.predict(source=im2, save=True, save_txt=True)  # save predictions as labels

# from list of PIL/ndarray
results = model.predict(source=[im1, im2])

예측 예제들

내보내기#

내보내기 모드는 배포에 사용할 수 있는 형식으로 YOLO 모델을 내보내는 데 사용됩니다. 이 모드에서는 다른 소프트웨어 애플리케이션이나 하드웨어 장치에서 사용할 수 있는 형식으로 모델이 변환됩니다. 이 모드는 모델을 프로덕션 환경에 배포할 때 유용합니다.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.export(format="onnx", dynamic=True)

내보내기 예제들

추적#

추적 모드는 YOLO 모델을 사용하여 실시간으로 객체를 추적하는 데 사용됩니다. 이 모드에서는 체크포인트 파일에서 모델이 로드되며, 사용자는 라이브 비디오 스트림을 제공하여 실시간 객체 추적을 수행할 수 있습니다. 이 모드는 감시 시스템이나 자율주행차와 같은 애플리케이션에 유용합니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official detection model
model = YOLO("yolo26n-seg.pt")  # load an official segmentation model
model = YOLO("path/to/best.pt")  # load a custom model

# Track with the model
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True)
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")

추적 예제들

벤치마크#

벤치마크 모드는 YOLO의 다양한 내보내기 형식에 대한 속도와 정확도를 프로파일링하는 데 사용됩니다. 벤치마크는 내보낸 형식의 크기, (객체 검출 및 분할을 위한) mAP50-95 메트릭 또는 (분류를 위한) accuracy_top1 메트릭, 그리고 ONNX, OpenVINO, TensorRT 등을 비롯한 다양한 내보내기 형식에 걸쳐 이미지당 밀리초 단위의 추론 시간을 제공합니다. 이 정보는 사용자가 속도와 정확도 요구사항에 따라 특정 유스케이스에 최적의 내보내기 형식을 선택하는 데 도움을 줍니다.

from ultralytics.utils.benchmarks import benchmark

# Benchmark
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)

벤치마크 예제들

트레이너 사용#

YOLO 모델 클래스는 Trainer 클래스의 고수준 래퍼 역할을 합니다. 각 YOLO 태스크에는 BaseTrainer을 상속하는 고유한 트레이너가 있습니다. 이 아키텍처는 머신러닝 워크플로에서 더 큰 유연성과 커스터마이징을 허용합니다.

from ultralytics.models.yolo.detect import DetectionPredictor, DetectionTrainer, DetectionValidator

overrides = {"model": "yolo26n.pt", "data": "coco8.yaml", "epochs": 3}

# Trainer
trainer = DetectionTrainer(overrides=overrides)
trainer.train()
trained_model = trainer.best  # path to best.pt

# Validator
validator = DetectionValidator(args={"data": "coco8.yaml"})
validator(model=trained_model)

# Predictor
predictor = DetectionPredictor(overrides={"model": trained_model})
predictor(source="https://ultralytics.com/images/bus.jpg")

# Resume from the last checkpoint
trainer = DetectionTrainer(overrides={**overrides, "resume": trainer.last})

트레이너를 쉽게 커스터마이징하여 커스텀 태스크를 지원하거나 연구 개발 아이디어를 탐색할 수 있습니다. Ultralytics YOLO의 모듈식 설계 덕분에 새로운 컴퓨터 비전 태스크를 작업하거나 더 나은 성능을 위해 기존 모델을 미세 조정할 때 프레임워크를 특정 요구에 맞게 조정할 수 있습니다.

커스터마이징 튜토리얼

FAQ#