Ultralytics YOLO 종합 튜토리얼#
Ultralytics YOLO 가이드에 오신 것을 환영합니다. 종합 튜토리얼에서는 YOLO 객체 감지 모델의 다양한 측면을 다루며, 학습 및 예측부터 배포까지 안내합니다. PyTorch를 기반으로 구축된 YOLO는 실시간 객체 감지 작업에서 탁월한 속도와 정확도를 자랑합니다.
딥러닝의 초보자든 전문가든, 튜토리얼을 통해 컴퓨터 비전 프로젝트에서 YOLO를 구현하고 최적화하는 데 유용한 인사이트를 얻을 수 있습니다.
시청: Ultralytics YOLO26 가이드 개요
가이드#
가이드는 프로젝트 단계별로 구성되어 있습니다. 환경 설정과 데이터 준비부터 학습, 평가, 배포, 추론 최적화, 엣지 하드웨어까지 살펴보며 현재 진행 중인 단계로 바로 이동할 수 있습니다.
시작하기 및 계획 수립#
- Conda 빠른 시작: Ultralytics용 Conda 환경을 설정하는 단계별 가이드입니다. Conda를 사용해 Ultralytics 패키지를 효율적으로 설치하고 사용하는 방법을 알아보세요.
- Docker 빠른 시작: Docker를 사용해 Ultralytics YOLO 모델을 설정하고 사용하는 완벽한 가이드입니다. Docker 설치, GPU 지원 관리, 일관된 개발 및 배포를 위해 격리된 컨테이너에서 YOLO 모델을 실행하는 방법을 알아보세요.
- AzureML 빠른 시작: Microsoft Azure Machine Learning 플랫폼에서 Ultralytics YOLO 모델을 빠르게 시작해 보세요. 클라우드에서 객체 탐지 프로젝트를 학습하고 배포하며 확장하는 방법을 알아보세요.
- Modal 빠른 시작: Modal의 서버리스 클라우드 플랫폼에서 Ultralytics YOLO26을 실행하는 방법을 소개합니다. 인증, GPU 추론, 영구 스토리지를 사용하는 학습 작업을 다루며, 인프라를 직접 관리할 필요가 없습니다.
- 컴퓨터 비전 프로젝트 목표 정의하기: 컴퓨터 비전 프로젝트의 명확하고 측정 가능한 목표를 효과적으로 정의하는 방법을 살펴봅니다. 잘 정의된 문제 진술의 중요성과 이것이 프로젝트 로드맵을 만드는 방법을 알아보세요.
- 컴퓨터 비전 프로젝트 단계: 목표 정의, 모델 선택, 데이터 준비, 결과 평가를 비롯해 컴퓨터 비전 프로젝트에 필요한 주요 단계를 알아보세요.
- YOLO 아키텍처 설명: 백본, 넥, 탐지 헤드 전반에서 YOLOv3부터 YOLO26까지 YOLO 아키텍처가 발전한 과정을 살펴보고, C2f, C3k2, C2PSA 어텐션, 앵커 프리 및 NMS 프리 설계를 다룹니다.
데이터 준비#
- 데이터 수집 및 어노테이션: 컴퓨터 비전 모델에 사용할 고품질 입력 데이터를 만들기 위한 데이터 수집 및 어노테이션 도구, 기법, 모범 사례를 살펴보세요.
- 어노테이션된 데이터 전처리: 이미지 크기 조정, 정규화, 데이터셋 분할, 데이터 증강, 탐색적 데이터 분석(EDA)을 포함해 YOLO26을 사용하는 컴퓨터 비전 데이터 전처리를 알아보세요.
- YOLO 데이터 증강: 기본 변환부터 모델의 강건성과 성능을 높이는 고급 전략까지, YOLO의 모든 데이터 증강 기법을 익혀보세요.
- COCO에서 YOLO로 변환: 학습을 위해 COCO JSON 어노테이션을 YOLO 형식으로 변환하는 완벽한 가이드입니다. 클래스 ID 매핑과 일반적인 변환 오류를 비롯해 탐지, 세그멘테이션, 키포인트를 다룹니다.
- COCO JSON 학습: 사용자 정의 데이터셋 클래스와 트레이너를 사용해 COCO JSON 어노테이션을 YOLO 형식으로 변환하지 않고 YOLO를 직접 학습시키세요.
학습 및 파인튜닝#
- 모델 학습 팁: 배치 크기 최적화, 혼합 정밀도 사용, 사전 학습 가중치 적용 등을 통해 컴퓨터 비전 모델 학습을 간편하게 만드는 팁을 살펴보세요.
- 사용자 데이터로 YOLO26 파인튜닝: 사전 학습 가중치를 사용해 사용자 정의 데이터셋으로 YOLO26을 파인튜닝하는 완벽한 가이드입니다. 전이 학습, 레이어 동결, 옵티마이저 선택, 2단계 학습, 문제 해결을 다룹니다.
- YOLO26 학습 레시피: COCO에서 공식 YOLO26 기본 체크포인트를 학습하는 데 사용되는 하이퍼파라미터, 증강 파이프라인, 옵티마이저 설정을 자세히 설명하고 실용적인 파인튜닝 지침을 제공합니다.
- 하이퍼파라미터 튜닝: Tuner 클래스와 유전 알고리즘을 사용해 하이퍼파라미터를 파인튜닝하고 YOLO 모델을 최적화하는 방법을 알아보세요.
- 지식 증류: 특징 기반 증류를 사용해 더 큰 교사 모델의 지식을 더 작은 학생 모델로 전달하여 모델 성능을 개선하는 방법을 알아보세요.
- K-Fold 교차 검증: K-Fold 교차 검증 기법을 사용해 모델 일반화 성능을 높이는 방법을 알아보세요.
- 트레이너 사용자 지정: YOLO 트레이너를 서브클래싱하여 사용자 정의 메트릭을 기록하고, 클래스 가중치 손실을 추가하고, 모델 저장 방식을 사용자 지정하고, 백본을 동결하거나 동결 해제하고, 레이어별 학습률을 설정하는 방법을 알아보세요.
- 모델 YAML 구성 가이드: Ultralytics 모델 아키텍처 정의를 자세히 살펴보는 종합 가이드입니다. YAML 형식을 살펴보고, 모듈 해석 시스템을 이해하고, 사용자 정의 모듈을 원활하게 통합하는 방법을 알아보세요.
평가 및 문제 해결#
- YOLO 성능 메트릭 ⭐ 필수: YOLO 모델 성능 평가에 사용되는 mAP, IoU, F1 점수와 같은 주요 메트릭을 알아보세요. 탐지 정확도와 속도를 개선하는 방법에 대한 실용적인 예제와 팁도 포함되어 있습니다.
- 모델 평가 및 파인튜닝 인사이트: mAP 및 IoU와 같은 메트릭으로 컴퓨터 비전 모델을 평가한 다음, 메트릭에서 드러난 내용을 바탕으로 탐지 정확도를 개선하세요.
- 모델 테스트: 배포 전에 미학습 데이터로 컴퓨터 비전 모델을 테스트하고, YOLO26 모델을 검증하고, 과적합, 과소적합, 데이터 누수를 발견하는 방법을 알아보세요.
- YOLO의 일반적인 문제 ⭐ 권장: Ultralytics YOLO 모델 사용 중 자주 발생하는 문제에 대한 실용적인 해결책과 문제 해결 팁을 제공합니다.
- 컴퓨터 비전 모델 유지 관리: 정확성을 보장하고 이상 징후를 발견하며 데이터 드리프트를 완화하기 위해 컴퓨터 비전 모델을 모니터링, 유지 관리, 문서화하는 주요 방법을 알아보세요.
배포 및 서빙#
- 모델 배포 옵션: ONNX, OpenVINO, TensorRT와 같은 YOLO 모델 배포 형식을 개괄하고, 배포 전략 수립에 도움이 되도록 각 형식의 장단점을 설명합니다.
- 모델 배포 모범 사례: 최적화, 문제 해결, 보안에 중점을 두고 컴퓨터 비전 프로젝트에서 모델을 효율적으로 배포하기 위한 팁과 모범 사례를 살펴봅니다.
- 비-YOLO 모델 내보내기: Ultralytics 독립형 내보내기 유틸리티를 사용해 모든
torch.nn.Module(timm, torchvision, 사용자 정의)을 TorchScript, ONNX, OpenVINO, CoreML, Core AI, TensorFlow SavedModel, PaddlePaddle, MNN, NCNN, ExecuTorch로 변환하세요. - 엔드투엔드 탐지: NMS 또는 NMS 프리 추론을 선택하고 출력 형식과 내보내기 호환성을 이해하세요.
- Triton Inference Server 통합: 확장 가능하고 효율적인 딥러닝 추론 배포를 위해 Ultralytics YOLO26을 NVIDIA Triton Inference Server와 통합하는 방법을 자세히 알아보세요.
- YOLO 스레드 안전 추론: 스레드 안전성을 유지하면서 YOLO 모델로 추론을 수행하는 지침입니다. 스레드 안전성의 중요성과 경쟁 조건을 방지하고 일관된 예측을 보장하는 모범 사례를 알아보세요.
- ROS 빠른 시작: 포인트 클라우드와 깊이 이미지를 포함해 로보틱스 애플리케이션에서 실시간 객체 탐지를 수행하도록 YOLO를 로봇 운영 체제(ROS)와 통합하는 방법을 알아보세요.
- Docker를 사용한 Vertex AI 배포: Docker로 YOLO 모델을 컨테이너화하고 Google Cloud Vertex AI에 배포하는 간소화된 가이드입니다. 빌드, 푸시, 자동 확장, 모니터링을 다룹니다.
추론 최적화#
- SAHI 타일 추론: 고해상도 이미지에서 객체를 탐지하기 위해 YOLO26과 함께 SAHI의 분할 추론 기능을 활용하는 종합 가이드입니다.
- OpenVINO 지연 시간 및 처리량 모드: YOLO 추론 성능을 극대화하기 위한 지연 시간 및 처리량 최적화 기법을 알아보세요.
- NVIDIA DALI GPU 전처리: Triton Inference Server 통합과 함께 NVIDIA DALI를 사용해 GPU에서 YOLO 레터박스 크기 조정, 패딩, 정규화를 실행하여 CPU 전처리 병목 현상을 없애세요.
- 세그멘테이션 객체 분리: Ultralytics 세그멘테이션을 사용해 이미지에서 객체를 추출하거나 분리하는 단계별 레시피와 설명입니다.
- 터미널에서 추론 이미지 보기: Remote Tunnel 또는 SSH 세션에서 추론 결과를 확인할 때 VSCode 통합 터미널을 사용하세요.
엣지 및 임베디드 하드웨어#
- NVIDIA Jetson: NVIDIA Jetson 디바이스에 YOLO 모델을 배포하기 위한 빠른 시작 가이드입니다.
- Raspberry Pi: 최신 Raspberry Pi 하드웨어에서 YOLO 모델을 실행하는 빠른 시작 튜토리얼입니다.
- NVIDIA Jetson의 DeepStream: DeepStream과 TensorRT를 사용해 NVIDIA Jetson 디바이스에 YOLO 모델을 배포하기 위한 빠른 시작 가이드입니다.
- Raspberry Pi의 Edge TPU: Google Edge TPU는 Raspberry Pi에서 YOLO 추론을 가속합니다.
- NVIDIA DGX Spark: NVIDIA DGX Spark 디바이스에 YOLO 모델을 배포하기 위한 빠른 시작 가이드입니다.
- Intel의 DL Streamer: DL Streamer와 OpenVINO™를 사용해 Intel Core Ultra Series 3 디바이스에 YOLO26 모델을 배포하기 위한 빠른 시작 가이드입니다.
가이드에 기여하기#
커뮤니티의 기여를 환영합니다! 아직 가이드에서 다루지 않은 Ultralytics YOLO의 특정 분야에 능숙하시다면 전문 지식을 공유해 주세요. 가이드를 작성하면 커뮤니티에 기여하고 문서를 더욱 포괄적이고 사용하기 쉽게 만드는 데 도움이 됩니다.
시작하려면 기여 가이드를 읽고 Pull Request(PR)를 여는 방법에 관한 지침을 확인해 주세요. 새 가이드를 추가할 때는 위에서 프로젝트 단계에 맞는 카테고리를 선택하고, 단계별 튜토리얼, 작업 중심 사용법 안내, 레퍼런스 중 한 가지 유형으로 작성해 주세요. 이렇게 하면 가이드 모음이 늘어나도 쉽게 탐색할 수 있습니다. 여러분의 기여를 기다리겠습니다.
자주 묻는 질문#
Ultralytics YOLO를 사용한 사용자 정의 객체 탐지 모델 학습은 간단합니다. 먼저 데이터셋을 올바른 형식으로 준비하고 Ultralytics 패키지를 설치하세요. 다음 코드를 사용해 학습을 시작합니다:
예제from ultralytics import YOLO model = YOLO("yolo26n.pt") # 사전 학습된 YOLO 모델 로드 model.train(data="path/to/dataset.yaml", epochs=50) # 사용자 정의 데이터셋으로 학습데이터셋 형식 지정 및 추가 옵션에 대한 자세한 내용은 모델 학습 팁 가이드를 참조하세요.
YOLO 모델 성능을 평가하는 것은 모델의 효과를 이해하는 데 매우 중요합니다. 주요 메트릭에는 평균 정밀도(mAP), 교집합 대비 합집합(IoU), F1 점수가 포함됩니다. 이러한 메트릭은 객체 탐지 작업의 정확도와 정밀도를 평가하는 데 도움이 됩니다. 이러한 메트릭과 모델 개선 방법에 관한 자세한 내용은 YOLO 성능 메트릭 가이드에서 확인할 수 있습니다.
Ultralytics Platform은 YOLO 모델의 관리, 학습, 배포를 간소화하는 노코드 플랫폼입니다. 원활한 통합, 실시간 추적, 클라우드 학습을 지원하므로 초보자와 전문가 모두에게 적합합니다. Ultralytics Platform 빠른 시작 가이드에서 기능과 워크플로를 간소화하는 방법을 자세히 알아보세요.
YOLO 모델 학습 중 흔히 발생하는 문제에는 데이터 형식 오류, 모델 아키텍처 불일치, 학습 데이터 부족 등이 있습니다. 이러한 문제를 해결하려면 데이터셋 형식이 올바른지 확인하고, 호환되는 모델 버전을 점검하고, 학습 데이터를 증강하세요. 해결 방법 전체 목록은 YOLO의 일반적인 문제 가이드를 참조하세요.
NVIDIA Jetson 및 Raspberry Pi와 같은 엣지 디바이스에 YOLO 모델을 배포하려면 모델을 TensorRT 또는 LiteRT와 같은 호환 형식으로 변환해야 합니다. 엣지 하드웨어에서 실시간 객체 탐지를 시작하려면 NVIDIA Jetson 및 Raspberry Pi 배포 단계별 가이드를 따르세요. 각 가이드에서 설치, 구성, 성능 최적화 과정을 안내합니다.