다중 객체 추적 데이터셋 개요#

다중 객체 추적은 비디오 분석의 핵심 구성 요소로, 비디오 프레임 전체에서 객체를 식별하고 감지된 각 객체에 고유 ID를 유지합니다. Ultralytics YOLO는 감시, 스포츠 분석, 교통 모니터링 등 다양한 분야에 적용할 수 있는 강력한 추적 기능을 제공합니다.

데이터셋 형식 (출시 예정)#

Ultralytics 트래킹은 현재 트래커 전용 학습 없이 감지, 세그멘테이션, 포즈 또는 OBB 모델을 재사용합니다. 네이티브 트래커 학습 지원은 현재 활발히 개발 중입니다.

사용 가능한 추적기#

Ultralytics YOLO는 다음 추적 알고리즘을 지원합니다:

• BoT-SORT - 이 갰성(tracker)을 활성화하려면 botsort.yaml을 사용하세요 (기본값)
• ByteTrack - 이 트래커를 활성화하려면 bytetrack.yaml을 사용하세요
• OC-SORT - 이 트래커를 활성화하려면 ocsort.yaml을 사용하세요
• Deep OC-SORT - 이 트래커를 활성화하려면 deepocsort.yaml을 사용하세요
• FastTracker - 이 트래커를 활성화하려면 fasttrack.yaml을 사용하세요
• TrackTrack - 이 트래커를 활성화하려면 tracktrack.yaml을 사용하세요

사용법#

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.1, iou=0.7, show=True)

프레임 간 추적 유지#

비디오 프레임 간의 지속적인 트래킹을 위해 persist=True 파라미터를 사용할 수 있습니다:

import cv2

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo26n.pt")

# Open the video file
cap = cv2.VideoCapture("path/to/video.mp4")

while cap.isOpened():
    success, frame = cap.read()
    if success:
        # Run tracking with persistence between frames
        results = model.track(frame, persist=True)

        # Visualize the results
        annotated_frame = results[0].plot()
        cv2.imshow("Tracking", annotated_frame)

        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        break

cap.release()
cv2.destroyAllWindows()

FAQ#

Ultralytics YOLO에서 다중 객체 추적을 어떻게 사용하나요?#

Ultralytics YOLO에서 다중 객체 추적을 사용하려면 제공된 Python 또는 CLI 예제를 사용하여 시작할 수 있습니다. 시작 방법은 다음과 같습니다:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Load the YOLO26 model
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.1, iou=0.7, show=True)

이 명령어들은 YOLO26 모델을 로드하여 특정 신뢰도(conf) 및 Intersection over Union (iou) 임계값을 사용하여 지정된 비디오 소스에서 객체를 트래킹합니다. 자세한 내용은 트랙 모드 문서를 참조하세요.

Ultralytics에서 추적기 학습을 위한 향후 기능은 무엇인가요?#

Ultralytics는 AI 모델을 지속적으로 개선하고 있습니다. 향후 출시될 기능을 통해 독립형 트래커 학습이 가능해질 예정입니다. 그때까지 Multi-Object Detector는 독립형 학습 없이 사전 학습된 감지, 세그멘테이션, 포즈 또는 OBB 모델을 트래킹에 활용합니다. blog를 팔로우하여 최신 소식을 확인하세요.

왜 다중 객체 추적에 Ultralytics YOLO를 사용해야 하나요?#

Ultralytics YOLO는 실시간 성능과 높은 accuracy로 잘 알려진 최첨단 object detection 모델입니다. 다중 객체 추적에 YOLO를 사용하면 다음과 같은 여러 가지 장점이 있습니다.

• 실시간 추적: 동적 환경에 이상적인 효율적이고 고속인 추적을 달성합니다.
• 사전 학습된 모델의 유연성: 처음부터 학습할 필요가 없으며, 사전 학습된 감지, 세그멘테이션, 포즈 또는 OBB 모델을 간단히 사용하면 됩니다.
• 사용 편의성: Python 및 CLI 모두에서 간편한 API 통합을 통해 추적 파이프라인을 쉽게 설정할 수 있습니다.
• 광범위한 문서 및 커뮤니티 지원: Ultralytics는 문제를 해결하고 추적 모델을 개선할 수 있도록 포괄적인 문서와 활발한 커뮤니티 포럼을 제공합니다.

트래킹을 위한 YOLO 설정 및 사용에 대한 자세한 내용은 트랙 사용 가이드를 참조하세요.

Ultralytics YOLO를 이용한 다중 객체 추적에 사용자 지정 데이터셋을 사용할 수 있나요?#

네, Ultralytics YOLO를 이용한 다중 객체 추적에 사용자 지정 데이터셋을 사용할 수 있습니다. 독립형 추적기 학습 지원은 향후 출시될 기능이지만, 이미 사용자 지정 데이터셋에 사전 학습된 모델을 사용할 수 있습니다. YOLO와 호환되는 적절한 형식으로 데이터셋을 준비하고 문서에 따라 통합하십시오.

Ultralytics YOLO 추적 모델의 결과를 어떻게 해석하나요?#

Ultralytics YOLO로 추적 작업을 실행한 후, 결과에는 추적된 객체 ID, 경계 상자(bounding box), 신뢰도 점수와 같은 다양한 데이터 포인트가 포함됩니다. 결과를 해석하는 방법에 대한 간단한 개요는 다음과 같습니다:

• 추적된 ID: 각 객체에는 고유 ID가 할당되어 프레임 간 추적에 도움을 줍니다.
• 경계 상자(Bounding boxes): 이는 프레임 내 추적된 객체의 위치를 나타냅니다.
• 신뢰도 점수: 이는 추적된 객체를 감지하는 모델의 신뢰도를 반영합니다.

이러한 결과를 해석하고 시각화하는 방법에 대한 자세한 지침은 결과 처리 가이드를 참조하세요.

추적기 구성을 어떻게 사용자 지정할 수 있나요?#

트래커 설정 파일의 수정된 버전을 생성하여 트래커를 커스터마이징할 수 있습니다. ultralytics/cfg/trackers에서 기존 트래커 설정 파일을 복사하고, 필요에 따라 파라미터를 수정한 후 트래커를 실행할 때 이 파일을 지정하세요.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model.track(source="video.mp4", tracker="custom_tracker.yaml")