中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
Ultralytics YOLO 문서#
Ultralytics YOLO는 객체 탐지, 인스턴스 분할, 시맨틱 분할, 깊이 추정, 분류, 자세 추정, 회전 바운딩 박스, 추적을 지원하는 실시간 컴퓨터 비전 모델 제품군으로, 단일 Python 패키지와 CLI를 통해 사용할 수 있습니다. YOLO26은 딥러닝 및 컴퓨터 비전의 발전을 바탕으로 개발되었으며, 선택적으로 NMS가 필요 없는 종단 간 추론과 최적화된 엣지 배포를 지원합니다. 간결한 설계 덕분에 다양한 애플리케이션에 적합하며 엣지 디바이스부터 클라우드 API까지 여러 하드웨어 플랫폼에 쉽게 적용할 수 있습니다. 안정적인 프로덕션 워크로드에는 YOLO26과 YOLO11을 모두 권장합니다.
YOLO 패키지와 CLI는 물론, 동일한 모델을 기반으로 데이터 주석, 클라우드 학습, 배포 기능을 추가로 제공하는 Ultralytics Platform까지 포괄하는 종합 리소스인 Ultralytics 문서를 살펴보세요. 숙련된 머신러닝 전문가든 이 분야를 처음 접하든, 이 리소스를 통해 프로젝트에서 YOLO를 최대한 활용할 수 있습니다.
상업적 사용을 위한 엔터프라이즈 라이선스를 요청하려면 Ultralytics Licensing을 방문하세요.
아키텍처 세부 정보, 예비 벤치마크, 출시 후 사용 예시를 포함한 YOLO27 미리 보기를 살펴보세요. 모델은 올해 후반 출시를 목표로 최종 R&D를 진행 중이며, 아직 사용할 수 없고 출시 날짜도 정해지지 않았습니다.
사진 한 장을 모든 픽셀의 거리를 미터 단위로 나타내는 깊이 맵으로 변환하세요.
두 개의 명령으로 시작하기#
# Install the ultralytics package from PyPI
pip install ultralytics
# Detect objects in an image with a pretrained YOLO26 model
yolo predict model=yolo26n.pt source='https://github.com/ultralytics/assets/releases/download/v0.0.0/bus.jpg'모델 가중치와 예제 이미지는 자동으로 다운로드되며, 주석이 추가된 결과는 명령어에 출력되는 디렉터리에 저장됩니다. 첫 실행 시 디렉터리는 runs/detect/predict입니다.
모든 설치 방법과 첫 예측 실행 방법은 빠른 시작 가이드를 참조하세요.
무엇을 하고 싶으신가요?#
TrackTrack(기본값), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT 또는 FastTracker를 사용해 객체를 지속적인 ID로 추적합니다.
Ultralytics의 최신 출시 모델 제품군은 선택적으로 NMS가 필요 없는 종단 간 추론을 제공하며, YOLO11보다 정확도와 지연 시간 간의 균형을 개선했습니다.
문서 구성 방식#
대부분의 모델 워크플로 yolo 명령은 하나의 문법인 yolo [TASK] MODE ARGS을 따르며, 여기서 Task는 선택 사항입니다. 이 문서도 동일한 세 가지 구성 요소와 하나의 바로 가기를 중심으로 구성되어 있습니다.
- **작업**은 이미지에서 무엇을 얻고 싶은지에 답합니다. 탐지, 인스턴스 분할, 시맨틱 분할, 깊이 추정, 분류, 자세 추정 또는 회전 박스 중에서 선택할 수 있습니다.
- **모드**는 모델을 어떻게 사용하는지에 답합니다. 학습, 검증, 예측, 내보내기, 추적 또는 벤치마크를 수행할 수 있습니다.
- **인수**는 실행할 모델부터
model=로 설정하는 값,epochs및imgsz와 같은 하이퍼파라미터까지 명령을 구성합니다. - **솔루션**은 바로 가기입니다. 객체 계수나 보안 경보와 같은 완성된 애플리케이션으로, 작업과 모드를 모두 생략합니다.
그 밖의 모든 항목은 이 문법을 뒷받침합니다. 모델에서는 model=에 전달할 수 있는 모든 아키텍처인 YOLO26, YOLO11, SAM 3, RT-DETR 등을 확인할 수 있고, 데이터셋에서는 각 작업의 학습에 사용할 데이터를 제공합니다. 가이드는 하드웨어 배포, 하이퍼파라미터 조정, 데이터셋 변환, 전체 프로젝트 안내를 아우르는 심층적인 사용 방법 모음입니다. 통합은 파이프라인을 이미 사용 중인 학습 및 배포 도구와 연결하고, 레퍼런스 섹션은 Python API의 모든 클래스와 함수를 설명합니다.
Python 패키지 외에도 동일한 모델을 사용하는 두 가지 인터페이스가 있습니다. 클라우드 주석, 학습, 배포를 위한 Ultralytics Platform과 Python 런타임 없이 내보낸 모델을 실행하는 독립형 Rust 라이브러리 및 CLI인 Ultralytics Inference입니다.
YOLO 라이선스: Ultralytics YOLO에는 어떤 라이선스가 적용되나요?#
Ultralytics는 다양한 사용 사례에 맞춰 두 가지 라이선스 옵션을 제공합니다.
- AGPL-3.0 라이선스: 이 OSI 승인 오픈 소스 라이선스는 학생과 애호가에게 적합하며, 개방형 협업과 지식 공유를 장려합니다. 자세한 내용은 LICENSE 파일을 참조하세요.
- 엔터프라이즈 라이선스: 개발 및 프로덕션 사용을 위한 이 라이선스를 통해 내부 도구, 자동화된 워크플로, 프로덕션 배포를 비롯한 비즈니스 제품 및 서비스에 Ultralytics 소프트웨어와 AI 모델을 원활하게 통합할 수 있으며, AGPL-3.0의 오픈 소스 요건을 따르지 않아도 됩니다. 시작하려면 Ultralytics Licensing을 통해 문의해 주세요.
라이선스 전략은 오픈 소스 프로젝트의 모든 개선 사항이 커뮤니티에 환원되도록 설계되었습니다. 오픈 소스를 지지하며, 모든 사람이 혜택을 얻을 수 있는 방식으로 기여 내용을 사용하고 확장할 수 있도록 하는 것이 저희의 사명입니다.
자주 묻는 질문#
Ultralytics YOLO는 실시간 객체 탐지와 이미지 분할을 위한 호평받는 YOLO(한 번만 보면 됩니다) 시리즈입니다. 최신 모델인 YOLO26은 선택적으로 NMS가 필요 없는 종단 간 추론과 최적화된 엣지 배포를 도입하여 이전 버전을 발전시켰습니다. YOLO는 비전 AI 작업을 다양하게 지원합니다. 탐지, 인스턴스 분할, 시맨틱 분할, 깊이 추정, 분류, 자세 추정, 회전 바운딩 박스 등이 있으며, 동영상 프레임에서 탐지된 객체를 추적할 수도 있습니다. 효율적인 아키텍처 덕분에 속도와 정확도가 뛰어나 엣지 디바이스와 클라우드 API를 비롯한 다양한 애플리케이션에 적합합니다.
자체 데이터셋으로 커스텀 YOLO 모델을 학습하려면 다음과 같은 몇 가지 세부 단계를 거쳐야 합니다.
- 주석이 추가된 데이터셋을 준비하고 데이터셋 YAML 파일에 설명을 작성합니다.
- 예를 들어 Python에서
YOLO("yolo26n.pt")과 같은 사전 학습 모델을 불러옵니다. model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)으로 학습을 시작하거나, 명령줄에서yolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640을 실행합니다.
자세한 단계별 안내와 학습 프로세스 최적화를 위한 예시 및 팁은 모델 학습 가이드를 참조하세요.
Ultralytics는 YOLO에 두 가지 라이선스 옵션을 제공합니다.
- AGPL-3.0 라이선스: 이 오픈 소스 라이선스는 교육 및 비상업적 사용에 적합하며, 개방형 협업을 장려합니다.
- 엔터프라이즈 라이선스: 내부 도구, 자동화된 워크플로, 프로덕션 배포를 포함한 개발 및 프로덕션 사용을 위한 라이선스로, AGPL-3.0의 오픈 소스 요건을 따르지 않아도 됩니다.
자세한 내용은 라이선스 페이지를 참조하세요.
Ultralytics YOLO는 효율적이고 사용자 지정 가능한 다중 객체 추적을 지원합니다. Python에서
YOLO("yolo26n.pt").track(source="path/to/video.mp4")을 호출하거나 명령줄에서yolo track source=path/to/video.mp4을 실행하면 됩니다. 두 방법 모두 동영상 파일, 라이브 스트림, 웹캠 입력에서 작동합니다. 객체 추적 설정 및 실행에 관한 자세한 가이드는 추적 모드 문서에서 확인할 수 있으며, 실시간 시나리오의 구성과 실제 적용 방법을 설명합니다.
