다중 객체 추적 데이터세트 개요

데이터 집합 형식(출시 예정)

다중 객체 감지기는 독립형 훈련이 필요하지 않으며 사전 훈련된 감지, 세분화 또는 포즈 모델을 직접 지원합니다. 트래커 단독 트레이닝 지원은 곧 제공될 예정입니다.

사용법

from ultralytics import YOLO

model = YOLO("yolov8n.pt")
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.3, iou=0.5, show=True)

yolo track model=yolov8n.pt source="https://youtu.be/LNwODJXcvt4" conf=0.3, iou=0.5 show

자주 묻는 질문

다중 객체 추적은 어떻게 사용하나요 Ultralytics YOLO ?

다중 객체 추적을 사용하려면 Ultralytics YOLO , 제공된 Python 또는 CLI 예제를 사용하여 시작할 수 있습니다. 시작하는 방법은 다음과 같습니다:

from ultralytics import YOLO

model = YOLO("yolov8n.pt")  # Load the YOLOv8 model
results = model.track(source="https://youtu.be/LNwODJXcvt4", conf=0.3, iou=0.5, show=True)

yolo track model=yolov8n.pt source="https://youtu.be/LNwODJXcvt4" conf=0.3 iou=0.5 show

이 명령은 YOLOv8 모델을 로드하고 이를 사용하여 지정된 비디오 소스의 오브젝트를 특정 신뢰도로 추적하는 데 사용합니다(conf) 및 유니온을 통한 교차점(iou) 임계값을 설정합니다. 자세한 내용은 트랙 모드 문서.

Ultralytics 에서 트레이닝 트래커를 위한 예정된 기능은 무엇인가요?

Ultralytics 는 AI 모델을 지속적으로 개선하고 있습니다. 곧 출시될 기능을 통해 독립형 트래커를 훈련할 수 있게 될 예정입니다. 그 전까지는 다중 객체 감지기가 사전 학습된 감지, 세분화 또는 포즈 모델을 활용하여 독립형 학습 없이 추적합니다. 블로그를 팔로우하거나 곧 출시될 기능을 확인하여 최신 소식을 받아보세요.

다중 객체 추적에 Ultralytics YOLO 을 사용해야 하는 이유는 무엇인가요?

Ultralytics YOLO 는 실시간 성능과 높은 정확도로 잘 알려진 최첨단 객체 감지 모델입니다. 다중 객체 추적에 YOLO 을 사용하면 여러 가지 이점이 있습니다:

• 실시간 추적: 동적인 환경에 이상적인 효율적인 고속 추적을 달성하세요.
• 사전 학습된 모델을 통한 유연성: 처음부터 학습할 필요 없이 미리 학습된 감지, 세분화 또는 포즈 모델을 사용하기만 하면 됩니다.
• 사용 편의성: Python 및 CLI 과의 간단한 API 통합으로 추적 파이프라인을 간편하게 설정할 수 있습니다.
• 광범위한 문서 및 커뮤니티 지원: Ultralytics 에서는 문제를 해결하고 추적 모델을 개선하기 위한 포괄적인 문서와 활발한 커뮤니티 포럼을 제공합니다.

추적 설정 및 사용( YOLO )에 대한 자세한 내용은 추적 사용 가이드를 참조하세요.

Ultralytics YOLO 에서 다중 개체 추적에 사용자 지정 데이터 세트를 사용할 수 있나요?

예, Ultralytics YOLO 을 통해 다중 개체 추적에 사용자 지정 데이터 세트를 사용할 수 있습니다. 독립형 트래커 트레이닝에 대한 지원은 곧 제공될 예정이지만, 이미 사용자 지정 데이터 세트에서 사전 트레이닝된 모델을 사용할 수 있습니다. YOLO 와 호환되는 적절한 형식으로 데이터 세트를 준비하고 설명서에 따라 통합하세요.

Ultralytics YOLO 추적 모델의 결과를 어떻게 해석하나요?

Ultralytics YOLO 으로 추적 작업을 실행하면 추적된 개체 ID, 해당 경계 상자 및 신뢰도 점수와 같은 다양한 데이터 포인트가 결과에 포함됩니다. 다음은 이러한 결과를 해석하는 방법에 대한 간략한 개요입니다:

• 추적된 ID: 각 개체에는 고유 ID가 할당되어 여러 프레임에서 추적하는 데 도움이 됩니다.
• 바운딩 박스: 프레임 내에서 추적된 객체의 위치를 나타냅니다.
• 신뢰도 점수: 추적된 객체를 감지하는 모델의 신뢰도를 반영합니다.

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

댓글