Ultralytics YOLO 종합 튜토리얼

Ultralytics YOLO 가이드에 오신 것을 환영합니다. 본 종합 튜토리얼은 훈련 및 예측부터 배포에 이르기까지 YOLO 객체 감지 모델의 다양한 측면을 다룹니다. PyTorch 기반으로 구축된 YOLO는 실시간 객체 감지 작업에서 뛰어난 속도와 정확도로 돋보입니다.

딥 러닝 초보자이든 전문가이든 관계없이, 본 튜토리얼은 여러분의 컴퓨터 비전 프로젝트에서 YOLO를 구현하고 최적화하는 데 유용한 통찰력을 제공합니다.

가이드

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

• 모델 테스트 가이드: 현실적인 환경에서 컴퓨터 비전 모델을 테스트하는 방법을 철저히 안내합니다. 프로젝트 목표에 맞게 정확도, 신뢰성 및 성능을 검증하는 방법을 알아보세요.
• AzureML 빠른 시작: Microsoft Azure 머신 러닝 플랫폼에서 Ultralytics YOLO 모델을 빠르게 시작하세요. 클라우드에서 객체 감지 프로젝트를 훈련, 배포 및 확장하는 방법을 알아보세요.
• 모델 배포 모범 사례: 컴퓨터 비전 프로젝트에서 모델을 효율적으로 배포하기 위한 팁과 모범 사례를 안내합니다. 최적화, 문제 해결 및 보안에 중점을 둡니다.
• COCO to YOLO 변환: 훈련을 위해 COCO JSON 어노테이션을 YOLO 형식으로 변환하는 완전한 가이드입니다. CVAT, Label Studio, Roboflow에 대한 도구별 팁과 함께 감지, 세그멘테이션 및 키포인트를 다룹니다.
• COCO JSON 훈련: 사용자 정의 데이터셋 클래스와 트레이너를 사용하여 YOLO 형식으로 변환하지 않고 COCO JSON 어노테이션으로 직접 YOLO를 훈련합니다.
• Conda 빠른 시작: Ultralytics를 위한 Conda 환경 설정을 단계별로 안내합니다. Conda를 사용하여 Ultralytics 패키지를 효율적으로 설치하고 사용하는 방법을 알아보세요.
• 트레이너 커스터마이징: 사용자 정의 메트릭 로깅, 클래스 가중 손실 추가, 모델 저장 커스터마이징, 백본 동결/해제 및 레이어별 학습률 설정을 위해 YOLO 트레이너를 서브클래스하는 방법을 알아보세요.
• 데이터 수집 및 어노테이션: 컴퓨터 비전 모델을 위한 고품질 입력을 만들기 위해 데이터를 수집하고 어노테이션하는 도구, 기술 및 모범 사례를 탐색합니다.
• NVIDIA Jetson의 DeepStream: DeepStream과 TensorRT를 사용하여 NVIDIA Jetson 장치에 YOLO 모델을 배포하는 빠른 시작 가이드입니다.
• 컴퓨터 비전 프로젝트 목표 정의: 컴퓨터 비전 프로젝트의 명확하고 측정 가능한 목표를 효과적으로 정의하는 방법을 안내합니다. 잘 정의된 문제 설명의 중요성과 프로젝트 로드맵 생성 방법을 알아보세요.
• Docker 빠른 시작: Docker로 Ultralytics YOLO 모델을 설정하고 사용하는 완전한 가이드입니다. Docker 설치, GPU 지원 관리, 일관된 개발 및 배포를 위해 격리된 컨테이너에서 YOLO 모델을 실행하는 방법을 알아보세요.
• Raspberry Pi의 Edge TPU: Google Edge TPU는 Raspberry Pi에서 YOLO 추론을 가속합니다.
• 엔드-투-엔드 감지: YOLO26의 NMS-free 엔드-투-엔드 감지, 내보내기 호환성, 출력 형식 변경 사항 및 이전 YOLO 모델에서 마이그레이션하는 방법을 이해합니다.
• 비YOLO 모델 내보내기: Ultralytics 독립형 내보내기 유틸리티를 사용하여 torch.nn.Module(timm, torchvision, 사용자 정의)을 ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch 및 TensorFlow SavedModel로 변환합니다.
• 사용자 정의 데이터로 YOLO 파인튜닝: 사전 훈련된 가중치를 사용하여 사용자 정의 데이터셋에서 YOLO26을 파인튜닝하는 완전한 가이드입니다. 전이 학습, 레이어 동결, 옵티마이저 선택, 2단계 훈련 및 문제 해결을 다룹니다.
• 하이퍼파라미터 튜닝: Tuner 클래스와 유전 진화 알고리즘을 사용하여 하이퍼파라미터를 파인튜닝하여 YOLO 모델을 최적화하는 방법을 알아보세요.
• 모델 평가 및 파인튜닝에 관한 통찰: 컴퓨터 비전 모델을 평가하고 파인튜닝하기 위한 전략과 모범 사례에 대한 통찰을 얻으세요. 최적의 결과를 위해 모델을 개선하는 반복적인 프로세스에 대해 알아보세요.
• 세그멘테이션 객체 분리: Ultralytics 세그멘테이션을 사용하여 이미지에서 객체를 추출하고/또는 분리하는 단계별 레시피와 설명입니다.
• K-Fold 교차 검증: K-Fold 교차 검증 기법을 사용하여 모델 일반화를 개선하는 방법을 알아보세요.
• 컴퓨터 비전 모델 유지 관리: 정확도를 보장하고, 이상 현상을 감지하며, 데이터 드리프트를 완화하기 위해 컴퓨터 비전 모델을 모니터링, 유지 관리 및 문서화하는 핵심 관행을 이해합니다.
• 모델 배포 옵션: ONNX, OpenVINO, TensorRT와 같은 YOLO 모델 배포 형식의 개요로, 각각의 장단점을 통해 배포 전략을 결정하는 데 도움을 줍니다.
• 모델 YAML 구성 가이드: Ultralytics 모델 아키텍처 정의에 대한 포괄적인 심층 분석입니다. YAML 형식을 탐색하고, 모듈 해결 시스템을 이해하며, 사용자 정의 모듈을 원활하게 통합하는 방법을 알아보세요.
• NVIDIA DALI GPU 전처리: NVIDIA DALI를 사용하여 GPU에서 YOLO 레터박스 리사이즈, 패딩 및 정규화를 실행하고 Triton Inference Server 통합으로 CPU 전처리 병목 현상을 제거합니다.
• NVIDIA DGX Spark: NVIDIA DGX Spark 장치에 YOLO 모델을 배포하는 빠른 시작 가이드입니다.
• NVIDIA Jetson: NVIDIA Jetson 장치에 YOLO 모델을 배포하는 빠른 시작 가이드입니다.
• OpenVINO 지연 시간 vs 처리량 모드: 최고의 YOLO 추론 성능을 위한 지연 시간 및 처리량 최적화 기술을 알아보세요.
• 어노테이션 데이터 전처리: 정규화, 데이터셋 증강, 분할 및 탐색적 데이터 분석(EDA)을 포함하여 YOLO26을 사용한 컴퓨터 비전 프로젝트에서 이미지 데이터를 전처리하고 증강하는 방법을 알아보세요.
• Raspberry Pi: 최신 Raspberry Pi 하드웨어에서 YOLO 모델을 실행하는 빠른 시작 튜토리얼입니다.
• ROS 빠른 시작: 포인트 클라우드 및 깊이 이미지를 포함한 로봇공학 애플리케이션에서 실시간 객체 감지를 위해 YOLO를 Robot Operating System(ROS)과 통합하는 방법을 알아보세요.
• SAHI 타일드 추론: 고해상도 이미지에서 객체 감지를 위해 YOLO26과 함께 SAHI의 슬라이스 추론 기능을 활용하는 종합 가이드입니다.
• 컴퓨터 비전 프로젝트의 단계: 목표 정의, 모델 선택, 데이터 준비 및 결과 평가를 포함하여 컴퓨터 비전 프로젝트의 주요 단계에 대해 알아보세요.
• 모델 훈련 팁: 배치 크기 최적화, 혼합 정밀도 사용, 사전 훈련된 가중치 적용 등 컴퓨터 비전 모델 훈련을 쉽게 만드는 팁을 탐색합니다.
• Triton Inference Server 통합: 확장 가능하고 효율적인 딥 러닝 추론 배포를 위해 Ultralytics YOLO26과 NVIDIA의 Triton Inference Server를 통합하는 방법을 알아보세요.
• Docker를 이용한 Vertex AI 배포: Docker로 YOLO 모델을 컨테이너화하고 Google Cloud Vertex AI에 배포하는 간소화된 가이드로, 빌드, 푸시, 자동 스케일링 및 모니터링을 다룹니다.
• 터미널에서 추론 이미지 보기: Remote Tunnel 또는 SSH 세션을 사용할 때 VSCode의 통합 터미널을 사용하여 추론 결과를 확인합니다.
• YOLO26 훈련 레시피: COCO에서 공식 YOLO26 기본 체크포인트를 훈련하는 데 사용된 하이퍼파라미터, 증강 파이프라인 및 옵티마이저 설정의 전체 문서로, 실용적인 파인튜닝 지침을 포함합니다.
• YOLO 일반적인 문제 ⭐ 추천: Ultralytics YOLO 모델 사용 시 가장 자주 발생하는 문제에 대한 실용적인 해결책과 문제 해결 팁입니다.
• YOLO 데이터 증강: 기본 변환부터 모델 견고성 및 성능 향상을 위한 고급 전략까지 YOLO의 완전한 데이터 증강 기법을 마스터하세요.
• YOLO 성능 메트릭 ⭐ 필수: YOLO 모델의 성능을 평가하는 데 사용되는 mAP, IoU 및 F1 점수와 같은 핵심 메트릭을 이해합니다. 감지 정확도와 속도를 향상시키는 방법에 대한 실용적인 예제와 팁을 포함합니다.
• YOLO 스레드 안전 추론: 스레드 안전 방식으로 YOLO 모델로 추론을 수행하기 위한 지침입니다. 스레드 안전의 중요성과 경쟁 조건을 방지하고 일관된 예측을 보장하기 위한 모범 사례를 알아보세요.

가이드에 기여하기

커뮤니티의 기여를 환영합니다! Ultralytics YOLO의 특정 측면을 마스터했지만 가이드에 아직 다루지 않은 내용이 있다면, 전문 지식을 공유해 주시기 바랍니다. 가이드 작성은 커뮤니티에 기여하고 문서를 더욱 포괄적이고 사용자 친화적으로 만드는 좋은 방법입니다.

시작하려면 Pull Request(PR) 여는 방법에 대한 지침은 기여 가이드를 읽어보세요. 여러분의 기여를 기대합니다.

FAQ

Ultralytics YOLO를 사용하여 사용자 정의 객체 감지 모델을 어떻게 훈련합니까?

Ultralytics YOLO로 사용자 정의 객체 감지 모델을 훈련하는 것은 간단합니다. 먼저 올바른 형식으로 데이터셋을 준비하고 Ultralytics 패키지를 설치합니다. 다음 코드를 사용하여 훈련을 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 지정 및 추가 옵션은 모델 훈련 팁 가이드를 참조하세요.

YOLO 모델을 평가하는 데 어떤 성능 메트릭을 사용해야 합니까?

YOLO 모델 성능을 평가하는 것은 효능을 이해하는 데 매우 중요합니다. 주요 메트릭으로는 평균 정밀도 평균(mAP), 교집합/합집합(IoU) 및 F1 점수가 있습니다. 이러한 메트릭은 객체 감지 작업의 정확도와 정밀도를 평가하는 데 도움이 됩니다. YOLO 성능 메트릭 가이드에서 이러한 메트릭과 모델 개선 방법에 대해 자세히 알아볼 수 있습니다.

컴퓨터 비전 프로젝트에 Ultralytics 플랫폼을 사용해야 하는 이유는 무엇입니까?

Ultralytics 플랫폼은 YOLO 모델 관리, 훈련 및 배포를 단순화하는 노코드 플랫폼입니다. 원활한 통합, 실시간 추적 및 클라우드 훈련을 지원하여 초보자와 전문가 모두에게 이상적입니다. 기능에 대해 더 알아보고 Ultralytics 플랫폼 빠른 시작 가이드를 통해 워크플로를 간소화하는 방법을 알아보세요.

YOLO 모델 훈련 중 발생하는 일반적인 문제는 무엇이며 어떻게 해결합니까?

YOLO 모델 훈련 중 일반적인 문제로는 데이터 형식 오류, 모델 아키텍처 불일치 및 불충분한 훈련 데이터가 있습니다. 이를 해결하려면 데이터셋이 올바르게 형식화되었는지 확인하고, 호환 가능한 모델 버전을 확인하며, 훈련 데이터를 증강하세요. 포괄적인 해결책 목록은 YOLO 일반적인 문제 가이드를 참조하세요.

엣지 장치에서 실시간 객체 감지를 위해 YOLO 모델을 어떻게 배포합니까?

NVIDIA Jetson 및 Raspberry Pi와 같은 엣지 장치에 YOLO 모델을 배포하려면 TensorRT 또는 TFLite와 같은 호환 가능한 형식으로 모델을 변환해야 합니다. 엣지 하드웨어에서 실시간 객체 감지를 시작하려면 NVIDIA Jetson 및 Raspberry Pi 배포 단계별 가이드를 따르세요. 이 가이드들은 설치, 구성 및 성능 최적화 과정을 안내합니다.