Link to this sectionUltralytics YOLO를 위한 포괄적인 튜토리얼#

Ultralytics YOLO 가이드에 오신 것을 환영합니다. 이 포괄적인 튜토리얼은 학습 및 예측부터 배포까지 YOLO 객체 탐지 모델의 다양한 측면을 다룹니다. PyTorch를 기반으로 구축된 YOLO는 실시간 객체 탐지 작업에서 탁월한 속도와 정확도를 자랑합니다.

딥러닝 초보자든 전문가든 관계없이, 당사의 튜토리얼은 귀하의 컴퓨터 비전 프로젝트를 위한 YOLO 구현 및 최적화에 관한 귀중한 인사이트를 제공합니다.

Link to this section가이드#

Ultralytics YOLO의 다양한 측면을 마스터하는 데 도움이 되는 심층 가이드 모음입니다.

• 모델 테스트 가이드: 실제 환경에서 컴퓨터 비전 모델을 테스트하기 위한 철저한 가이드입니다. 프로젝트 목표에 맞춰 정확성, 신뢰성 및 성능을 검증하는 방법을 알아보십시오.
• AzureML 퀵스타트: Microsoft의 Azure 머신 러닝 플랫폼에서 Ultralytics YOLO 모델을 즉시 시작해보십시오. 클라우드에서 객체 탐지 프로젝트를 학습, 배포 및 확장하는 방법을 배울 수 있습니다.
• 모델 배포 모범 사례: 최적화, 문제 해결 및 보안에 중점을 두고 컴퓨터 비전 프로젝트에서 모델을 효율적으로 배포하기 위한 팁과 모범 사례를 살펴보십시오.
• COCO에서 YOLO로 변환: 학습을 위해 COCO JSON 주석을 YOLO 형식으로 변환하는 완벽한 가이드입니다. 클래스 ID 매핑 및 일반적인 변환 문제점을 포함하여 탐지, 세그멘테이션 및 키포인트를 다룹니다.
• COCO JSON 학습: 사용자 정의 데이터셋 클래스와 트레이너를 사용하여 YOLO 형식으로 변환할 필요 없이 COCO JSON 주석에서 직접 YOLO를 학습시킵니다.
• Conda 퀵스타트: Ultralytics용 Conda 환경을 설정하는 단계별 가이드입니다. Conda를 사용하여 Ultralytics 패키지를 효율적으로 설치하고 사용하는 방법을 배우십시오.
• 트레이너 사용자 정의: YOLO 트레이너를 서브클래싱하여 사용자 정의 지표를 기록하고, 클래스 가중 손실을 추가하고, 모델 저장 방식을 사용자 정의하고, 백본을 고정/해제하고, 레이어별 학습률을 설정하는 방법을 배울 수 있습니다.
• 데이터 수집 및 주석: 컴퓨터 비전 모델을 위한 고품질 입력을 생성하기 위해 데이터를 수집하고 주석을 다는 도구, 기술 및 모범 사례를 살펴보십시오.
• NVIDIA Jetson에서 DeepStream 사용: DeepStream과 TensorRT를 사용하여 NVIDIA Jetson 장치에 YOLO 모델을 배포하기 위한 퀵스타트 가이드입니다.
• 컴퓨터 비전 프로젝트 목표 정의: 컴퓨터 비전 프로젝트의 명확하고 측정 가능한 목표를 효과적으로 정의하는 방법을 살펴보십시오. 잘 정의된 문제 진술의 중요성과 이것이 어떻게 프로젝트 로드맵을 생성하는지 배울 수 있습니다.
• Docker 퀵스타트: Docker와 함께 Ultralytics YOLO 모델을 설정하고 사용하는 완벽한 가이드입니다. 일관된 개발 및 배포를 위해 Docker를 설치하고 GPU 지원을 관리하며 격리된 컨테이너에서 YOLO 모델을 실행하는 방법을 배웁니다.
• Raspberry Pi에서 Edge TPU 사용: Google Edge TPU는 Raspberry Pi에서 YOLO 추론을 가속화합니다.
• 엔드투엔드 탐지: YOLO26의 NMS 없는 엔드투엔드 탐지, 내보내기 호환성, 출력 형식 변경 사항 및 이전 YOLO 모델에서 마이그레이션하는 방법을 이해합니다.
• 비 YOLO 모델 내보내기: Ultralytics 독립형 내보내기 유틸리티를 사용하여 모든 torch.nn.Module(timm, torchvision, 사용자 정의)을 ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch 및 TensorFlow SavedModel로 변환하십시오.
• 사용자 정의 데이터로 YOLO 미세 조정: 사전 학습된 가중치를 사용하여 사용자 정의 데이터셋에서 YOLO26을 미세 조정하는 완벽한 가이드입니다. 전이 학습, 레이어 고정, 옵티마이저 선택, 2단계 학습 및 문제 해결을 다룹니다.
• 하이퍼파라미터 튜닝: Tuner 클래스와 유전 알고리즘을 사용하여 하이퍼파라미터를 미세 조정함으로써 YOLO 모델을 최적화하는 방법을 알아보십시오.
• 모델 평가 및 미세 조정 인사이트: 컴퓨터 비전 모델을 평가하고 미세 조정하기 위한 전략 및 모범 사례에 대한 인사이트를 얻으십시오. 최적의 결과를 얻기 위해 모델을 개선하는 반복적인 프로세스에 대해 배울 수 있습니다.
• 세그멘테이션 객체 분리: Ultralytics 세그멘테이션을 사용하여 이미지에서 객체를 추출하거나 분리하는 방법에 대한 단계별 레시피 및 설명입니다.
• K-Fold 교차 검증: K-Fold 교차 검증 기술을 사용하여 모델 일반화 성능을 향상시키는 방법을 배우십시오.
• 컴퓨터 비전 모델 유지 관리: 정확성을 보장하고 이상 징후를 발견하며 데이터 드리프트를 완화하기 위해 컴퓨터 비전 모델을 모니터링, 유지 관리 및 문서화하는 핵심 관행을 이해하십시오.
• 모델 배포 옵션: ONNX, OpenVINO 및 TensorRT와 같은 YOLO 모델 배포 형식에 대한 개요와 배포 전략을 결정하기 위한 각각의 장단점을 소개합니다.
• 모델 YAML 구성 가이드: Ultralytics 모델 아키텍처 정의에 대한 심층적인 가이드입니다. YAML 형식을 살펴보고, 모듈 해결 시스템을 이해하며, 사용자 정의 모듈을 원활하게 통합하는 방법을 배우십시오.
• NVIDIA DALI GPU 전처리: NVIDIA DALI를 사용하여 GPU에서 YOLO 레터박스 크기 조정, 패딩 및 정규화를 실행하고 CPU 전처리 병목 현상을 제거하십시오. Triton Inference Server 통합이 포함되어 있습니다.
• NVIDIA DGX Spark: NVIDIA DGX Spark 장치에 YOLO 모델을 배포하기 위한 퀵스타트 가이드입니다.
• NVIDIA Jetson: NVIDIA Jetson 장치에 YOLO 모델을 배포하기 위한 퀵스타트 가이드입니다.
• OpenVINO 지연 시간 대 처리량 모드: 최고의 YOLO 추론 성능을 위한 지연 시간 및 처리량 최적화 기술을 알아보십시오.
• 주석 데이터 전처리: 정규화, 데이터셋 증강, 분할 및 탐색적 데이터 분석(EDA)을 포함하여 YOLO26을 사용하는 컴퓨터 비전 프로젝트에서 이미지 데이터를 전처리하고 증강하는 방법을 배우십시오.
• Raspberry Pi: 최신 Raspberry Pi 하드웨어에서 YOLO 모델을 실행하기 위한 퀵스타트 튜토리얼입니다.
• ROS 퀵스타트: 포인트 클라우드 및 깊이 이미지를 포함하여 로봇 공학 애플리케이션에서 실시간 객체 탐지를 위해 YOLO를 ROS(Robot Operating System)와 통합하는 방법을 배우십시오.
• SAHI 타일드 추론: 고해상도 이미지의 객체 탐지를 위해 SAHI의 슬라이스 추론 기능을 YOLO26과 함께 활용하는 포괄적인 가이드입니다.
• 컴퓨터 비전 프로젝트 단계: 목표 정의, 모델 선택, 데이터 준비 및 결과 평가를 포함하여 컴퓨터 비전 프로젝트에 관련된 핵심 단계를 배우십시오.
• 모델 학습 팁: 컴퓨터 비전 모델 학습을 수월하게 하기 위해 배치 크기 최적화, 혼합 정밀도 사용, 사전 학습된 가중치 적용 등에 관한 팁을 살펴보십시오.
• Triton Inference Server 통합: 확장 가능하고 효율적인 딥러닝 추론 배포를 위해 Ultralytics YOLO26과 NVIDIA의 Triton Inference Server를 통합하는 방법을 심층적으로 다룹니다.
• Docker를 이용한 Vertex AI 배포: YOLO 모델을 Docker로 컨테이너화하여 Google Cloud Vertex AI에 배포하는 간소화된 가이드입니다. 빌드, 푸시, 자동 확장 및 모니터링을 다룹니다.
• 터미널에서 추론 이미지 보기: 원격 터널 또는 SSH 세션을 사용할 때 VSCode의 통합 터미널을 사용하여 추론 결과를 확인하십시오.
• YOLO26 학습 레시피: COCO에서 공식 YOLO26 기본 체크포인트를 학습시키는 데 사용되는 하이퍼파라미터, 증강 파이프라인 및 옵티마이저 설정에 대한 전체 문서와 실용적인 미세 조정 지침입니다.
• YOLO 일반적인 문제 ⭐ 추천: Ultralytics YOLO 모델 작업 시 가장 자주 발생하는 문제에 대한 실용적인 해결책 및 문제 해결 팁입니다.
• YOLO 데이터 증강: 기본 변환부터 모델 견고성과 성능을 향상시키기 위한 고급 전략까지, YOLO의 모든 데이터 증강 기술을 마스터하십시오.
• YOLO 성능 지표 ⭐ 필수: YOLO 모델의 성능을 평가하는 데 사용되는 mAP, IoU 및 F1 점수와 같은 주요 지표를 이해하십시오. 탐지 정확도와 속도를 개선하는 방법에 대한 실용적인 예제와 팁이 포함되어 있습니다.
• YOLO 스레드 안전 추론: YOLO 모델을 스레드 안전한 방식으로 추론하기 위한 가이드라인입니다. 스레드 안전의 중요성을 배우고 경쟁 조건을 방지하며 일관된 예측을 보장하기 위한 모범 사례를 알아보십시오.

Link to this section가이드 기여하기#

커뮤니티의 기여를 환영합니다! 가이드에서 아직 다루지 않은 Ultralytics YOLO의 특정 측면을 마스터하셨다면, 귀하의 전문 지식을 공유해 주시기 바랍니다. 가이드를 작성하는 것은 커뮤니티에 환원하고 당사 문서를 더욱 포괄적이고 사용자 친화적으로 만드는 좋은 방법입니다.

시작하려면 Pull Request(PR)를 여는 방법에 대한 가이드라인이 포함된 기여 가이드를 읽어보십시오. 귀하의 기여를 기다립니다.

Link to this sectionFAQ#

Link to this sectionUltralytics YOLO를 사용하여 사용자 정의 객체 탐지 모델을 어떻게 학습합니까?#

Ultralytics YOLO로 사용자 정의 객체 탐지 모델을 학습하는 것은 간단합니다. 올바른 형식으로 데이터셋을 준비하고 Ultralytics 패키지를 설치하는 것부터 시작하십시오. 다음 코드를 사용하여 학습을 시작합니다:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Load a pretrained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset

자세한 데이터셋 형식 및 추가 옵션은 모델 학습 팁 가이드를 참조하십시오.

Link to this sectionYOLO 모델을 평가하기 위해 어떤 성능 지표를 사용해야 합니까?#

YOLO 모델 성능을 평가하는 것은 효율성을 이해하는 데 매우 중요합니다. 주요 지표로는 Mean Average Precision(mAP), Intersection over Union(IoU) 및 F1 점수가 있습니다. 이러한 지표는 객체 탐지 작업의 정확성과 정밀도를 평가하는 데 도움이 됩니다. 이러한 지표와 모델을 개선하는 방법에 대한 자세한 내용은 YOLO 성능 지표 가이드에서 확인할 수 있습니다.

Link to this section컴퓨터 비전 프로젝트에 Ultralytics Platform을 사용해야 하는 이유는 무엇입니까?#

Ultralytics Platform은 YOLO 모델의 관리, 학습 및 배포를 간소화하는 노코드 플랫폼입니다. 원활한 통합, 실시간 추적 및 클라우드 학습을 지원하여 초보자와 전문가 모두에게 이상적입니다. Ultralytics Platform 퀵스타트 가이드를 통해 기능 및 워크플로우를 간소화하는 방법을 더 알아보십시오.

Link to this sectionYOLO 모델 학습 중에 발생하는 일반적인 문제는 무엇이며 어떻게 해결할 수 있습니까?#

YOLO 모델 학습 중 발생하는 일반적인 문제로는 데이터 형식 오류, 모델 아키텍처 불일치 및 불충분한 학습 데이터가 있습니다. 이를 해결하려면 데이터셋 형식이 올바른지 확인하고 호환되는 모델 버전을 체크하며 학습 데이터를 증강하십시오. 포괄적인 해결책 목록은 YOLO 일반적인 문제 가이드를 참조하십시오.

Link to this section엣지 장치에서 실시간 객체 탐지를 위해 어떻게 YOLO 모델을 배포할 수 있습니까?#

NVIDIA Jetson 및 Raspberry Pi와 같은 엣지 장치에 YOLO 모델을 배포하려면 모델을 TensorRT 또는 TFLite와 같은 호환 형식으로 변환해야 합니다. 엣지 하드웨어에서 실시간 객체 탐지를 시작하려면 NVIDIA Jetson 및 Raspberry Pi 배포를 위한 단계별 가이드를 따르십시오. 이 가이드는 설치, 구성 및 성능 최적화 과정을 안내합니다.