Link to this section다중 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.
Link to this section데이터셋 형식 (출시 예정)#
Ultralytics 추적은 현재 추적기별 학습을 요구하지 않고 감지, 세그멘테이션 또는 포즈 모델을 재사용합니다. 기본 추적기 학습 지원 기능은 현재 활발히 개발 중입니다.
Link to this section사용 가능한 추적기#
Ultralytics YOLO는 다음 추적 알고리즘을 지원합니다:
- BoT-SORT - 이 추적기를 활성화하려면
botsort.yaml을 사용하십시오 (기본값) - ByteTrack - 이 추적기를 활성화하려면
bytetrack.yaml을 사용하십시오 - OC-SORT - 이 추적기를 활성화하려면
ocsort.yaml을 사용하십시오 - Deep OC-SORT - 이 추적기를 활성화하려면
deepocsort.yaml을 사용하십시오 - FastTracker - 이 추적기를 활성화하려면
fasttrack.yaml을 사용하십시오 - TrackTrack - 이 추적기를 활성화하려면
tracktrack.yaml을 사용하십시오
Link to this section사용법#
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.1, iou=0.7, show=True)Link to this section프레임 간 추적 유지#
비디오 프레임 전체에서 연속적인 추적을 수행하려면 persist=True 매개변수를 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()Link to this sectionFAQ#
Link to this sectionUltralytics 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 명령들은 YOLO26 모델을 로드하고 특정 신뢰도(conf) 및 Intersection over Union (iou) 임계값을 사용하여 지정된 비디오 소스에서 객체를 추적합니다. 자세한 내용은 track 모드 문서를 참조하십시오.
Link to this sectionUltralytics에서 추적기 학습을 위한 향후 기능은 무엇인가요?#
Ultralytics는 AI 모델을 지속적으로 향상하고 있습니다. 향후 출시될 기능으로 독립형 추적기를 학습할 수 있게 될 것입니다. 그전까지는 다중 객체 감지기가 독립형 학습 없이도 추적을 위해 사전 학습된 감지, 세그멘테이션 또는 Pose 모델을 활용합니다. 당사 블로그를 팔로우하여 최신 정보를 확인하십시오.
Link to this section왜 다중 객체 추적에 Ultralytics YOLO를 사용해야 하나요?#
Ultralytics YOLO is a state-of-the-art object detection model known for its real-time performance and high accuracy. Using YOLO for multi-object tracking provides several advantages:
- 실시간 추적: 동적 환경에 이상적인 효율적이고 고속인 추적을 달성합니다.
- 사전 학습된 모델의 유연성: 처음부터 학습할 필요 없이 사전 학습된 감지, 세그멘테이션 또는 Pose 모델을 사용하기만 하면 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.
추적을 위한 YOLO 설정 및 사용에 대한 자세한 내용은 추적 사용 가이드를 방문하십시오.
Link to this sectionUltralytics 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.
Link to this sectionUltralytics 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.
이 결과를 해석하고 시각화하는 방법에 대한 자세한 지침은 결과 처리 가이드를 참조하십시오.
Link to this section추적기 구성을 어떻게 사용자 지정할 수 있나요?#
추적기 구성 파일의 수정된 버전을 만들어 추적기를 사용자 지정할 수 있습니다. ultralytics/cfg/trackers에서 기존 추적기 구성 파일을 복사하고, 필요에 따라 매개변수를 수정한 다음, 추적기를 실행할 때 이 파일을 지정하십시오:
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
results = model.track(source="video.mp4", tracker="custom_tracker.yaml")