中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
Ultralytics YOLO 문서#
Ultralytics YOLO는 객체 감지, 인스턴스 분할, 시맨틱 분할, 깊이 추정, 분류, 포즈 추정, 방향성 바운딩 박스 및 추적을 지원하는 실시간 컴퓨터 비전 모델 제품군으로, 하나의 Python 패키지와 CLI를 통해 사용할 수 있습니다. YOLO26은 최신 딥러닝 연구를 바탕으로 하며, 선택적으로 NMS 없이 종단 간 추론을 수행하고 엣지 배포를 최적화할 수 있습니다. 간결한 설계는 엣지 디바이스부터 클라우드 API까지 다양한 애플리케이션과 하드웨어에 적응합니다. 안정적인 프로덕션 워크로드에는 YOLO26과 YOLO11을 모두 권장합니다.
Ultralytics Docs에서는 YOLO 패키지와 CLI는 물론, 동일한 모델을 기반으로 데이터 주석, 클라우드 학습 및 배포 기능을 추가하는 Ultralytics Platform도 폭넓게 살펴볼 수 있습니다. 숙련된 머신러닝 실무자든 이 분야를 처음 접하는 분이든, 이러한 리소스를 통해 프로젝트에서 YOLO를 최대한 활용할 수 있습니다.
상업적 용도로 사용하려면 Ultralytics Licensing에서 엔터프라이즈 라이선스를 신청하세요.
출시 후 사용을 위한 아키텍처 세부 정보, 예비 벤치마크, 예제를 포함한 YOLO27 미리 보기를 살펴보세요. 모델은 올해 말 출시를 목표로 최종 연구 개발을 진행 중이며, 아직 사용할 수 없고 출시 날짜도 정해지지 않았습니다.
사진 한 장을 모든 픽셀의 거리(미터)를 나타내는 깊이 맵으로 변환하세요.
두 가지 명령어로 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, 어노테이션 결과는 명령어에 출력된 디렉터리에 저장됩니다. 첫 실행 시 디렉터리는 runs/detect/predict입니다.
모든 설치 방법과 첫 예측 방법은 빠른 시작 가이드를 참조하세요.
무엇을 하고 싶으신가요?#
TrackTrack(기본값), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT 또는 FastTracker를 사용하여 객체를 추적하고 ID를 유지합니다.
Ultralytics의 최신 출시 모델 제품군은 YOLO11보다 향상된 정확도와 지연 시간 간의 균형을 제공하며, 선택적으로 NMS가 필요 없는 엔드투엔드 추론을 지원합니다.
문서 구성 방식#
대부분의 모델 워크플로 yolo 명령어는 하나의 문법인 yolo [TASK] MODE ARGS을 따르며, 여기서 Task는 선택 사항입니다. 이 문서도 같은 세 가지 요소와 하나의 바로 가기를 중심으로 구성되어 있습니다:
- Task는 이미지에서 무엇을 원하는지 설명합니다. 탐지, 인스턴스 분할, 시맨틱 분할, 깊이 추정, 분류, 포즈 추정, 회전 상자 중에서 선택할 수 있습니다.
- Mode는 모델을 어떻게 사용할지 설명합니다. 학습, 검증, 예측, 내보내기, 추적, 벤치마크 중에서 선택할 수 있습니다.
- Args는 실행할 모델부터
model=를 사용해 지정하는 방법,epochs및imgsz와 같은 하이퍼파라미터까지 명령어를 설정합니다. - Solutions는 바로 가기입니다. 객체 계수나 보안 경보 같은 완성된 애플리케이션으로, Task와 Mode를 모두 건너뜁니다.
나머지 모든 항목은 이 문법을 지원합니다. Models에는 model=에 전달할 수 있는 YOLO26, YOLO11, SAM 3, RT-DETR 등의 모든 아키텍처가 나열되어 있습니다. Datasets는 각 Task의 학습에 사용되는 데이터를 제공합니다. Guides는 하드웨어 배포, 하이퍼파라미터 튜닝, 데이터셋 변환, 전체 프로젝트 안내 등 심층적인 방법을 폭넓게 다룹니다. Integrations은 파이프라인을 이미 사용 중인 학습 및 배포 도구와 연결하며, Reference 섹션은 Python API의 모든 클래스와 함수를 설명합니다.
Python 패키지 외에도 동일한 모델을 기반으로 하는 두 가지 인터페이스를 제공합니다. 클라우드 어노테이션, 학습, 배포를 위한 Ultralytics Platform과 Python 런타임 없이 내보낸 모델을 실행하는 독립형 Rust 라이브러리 및 CLI인 Ultralytics Inference입니다.
YOLO 라이선스: Ultralytics YOLO의 라이선스는 어떻게 적용되나요?#
Ultralytics는 다양한 사용 사례에 맞춰 두 가지 라이선스 옵션을 제공합니다:
- AGPL-3.0 라이선스: OSI 승인을 받은 이 오픈 소스 라이선스는 학생과 애호가에게 적합하며, 개방형 협업과 지식 공유를 장려합니다. 자세한 내용은 LICENSE 파일을 참조하세요.
- 엔터프라이즈 라이선스: 개발 및 프로덕션 용도의 이 라이선스를 사용하면 AGPL-3.0의 오픈 소스 요건을 따르지 않고도 Ultralytics 소프트웨어와 AI 모델을 내부 도구, 자동화된 워크플로, 프로덕션 배포 등 비즈니스 제품 및 서비스에 통합할 수 있습니다. 시작하려면 Ultralytics Licensing을 통해 문의해 주세요.
당사의 라이선스 정책은 오픈 소스 프로젝트의 개선 사항이 커뮤니티에 환원되도록 설계되었습니다. 당사는 오픈 소스를 지지하며, 모두에게 이로운 방식으로 기여물을 사용하고 확장할 수 있도록 하는 것을 사명으로 삼고 있습니다.
자주 묻는 질문#
Ultralytics YOLO는 객체 감지 및 이미지 분할을 위한 실시간 ‘한 번만 보면 되는’(YOLO) 모델 제품군입니다. 최신 출시 모델인 YOLO26은 이전 버전을 기반으로 선택적 NMS 없는 종단 간 추론과 최적화된 엣지 배포를 도입했습니다. YOLO는 비전 AI 작업인 감지, 인스턴스 분할, 시맨틱 분할, 깊이 추정, 분류, 포즈 추정, 방향성 바운딩 박스 등을 지원하며, 비디오 프레임에서 감지된 객체를 추적할 수 있습니다. 효율적인 아키텍처는 속도와 정확도의 균형을 맞춰 엣지 디바이스부터 클라우드 API까지 다양한 애플리케이션에 적합합니다.
사용자 데이터셋으로 커스텀 YOLO 모델을 학습하려면 다음 세 단계를 거칩니다:
- 어노테이션이 완료된 데이터셋을 준비하고 데이터셋 YAML 파일에 설명을 작성합니다.
- 사전 학습된 모델을 불러옵니다. 예를 들어 Python에서
YOLO("yolo26n.pt")을 사용합니다. 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 예제 및 팁은 모델 학습 가이드를 참조하세요.
Ultralytics는 YOLO에 두 가지 라이선스 옵션을 제공합니다:
- AGPL-3.0 라이선스: 이 오픈 소스 라이선스는 교육 및 비상업적 용도에 적합하며 개방형 협업을 장려합니다.
- 엔터프라이즈 라이선스: 내부 도구, 자동화 워크플로, 프로덕션 배포를 비롯한 개발 및 프로덕션 용도를 위한 라이선스로, AGPL-3.0의 오픈 소스 요구 사항을 따르지 않을 수 있습니다.
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 대한 자세한 가이드는 Track 모드 문서를 참조하세요. 이 문서에서는 실시간 시나리오의 구성과 실제 적용 방법을 설명합니다.
