Ultralytics YOLO 위한 종합 자습서
Ultralytics YOLO 🚀 가이드에 오신 것을 환영합니다! 이 포괄적인 자습서에서는 교육 및 예측에서 배포에 이르기까지 YOLO 객체 감지 모델의 다양한 측면을 다룹니다. 기반 PyTorch를 기반으로 구축된 YOLO 실시간 객체 감지 작업에서 탁월한 속도와 정확성을 자랑합니다.
딥 러닝 초보자이든 전문가이든 관계없이 튜토리얼에서는 컴퓨터 비전 프로젝트를 위한 YOLO 구현 및 최적화에 대한 귀중한 통찰력을 제공합니다. 함께 시작해 볼까요!
참고: Ultralytics YOLO11 가이드 개요
가이드
Ultralytics YOLO의 다양한 측면을 마스터하는 데 도움이 되는 심층 가이드 모음입니다.
- 모델 테스트 가이드: 현실적인 환경에서 컴퓨터 비전 모델을 테스트하는 방법에 대한 포괄적인 안내서. 프로젝트 목표에 부합하는 정확도, 신뢰성 및 성능을 검증하는 방법을 알아보세요.
- AzureML 빠른 시작: Microsoft Azure Machine Learning 플랫폼에서 Ultralytics YOLO 활용하여 시작하세요. 클라우드에서 객체 탐지 프로젝트를 훈련, 배포 및 확장하는 방법을 알아보세요.
- 모델 배포를 위한 모범 사례: 컴퓨터 비전 프로젝트에서 모델을 효율적으로 배포하기 위한 팁과 모범 사례를 살펴보며, 최적화, 문제 해결 및 보안에 중점을 둡니다.
- Conda 빠른 시작: Ultralytics Conda 환경 설정 단계별 가이드. Conda를 사용하여 Ultralytics 효율적으로 설치하고 사용하기 시작하는 방법을 알아보세요.
- 데이터 수집 및 주석 부착: 컴퓨터 비전 모델을 위한 고품질 입력 데이터를 생성하기 위한 데이터 수집 및 주석 부착 도구, 기술, 모범 사례를 탐구합니다.
- NVIDIA 용 DeepStream: DeepStream 및 TensorRT 사용하여 NVIDIA 장치에 YOLO 배포하기 위한 빠른 시작 가이드.
- 컴퓨터 비전 프로젝트 목표 정의하기: 컴퓨터 비전 프로젝트에 대해 명확하고 측정 가능한 목표를 효과적으로 정의하는 방법을 단계별로 살펴봅니다. 잘 정의된 문제 진술의 중요성과 그것이 프로젝트의 로드맵을 어떻게 만드는지 알아보세요.
- Docker 빠른 시작: Docker를 사용한 Ultralytics YOLO 설정 및 사용 완전 가이드. Docker 설치 방법, GPU 관리 방법, 일관된 개발 및 배포를 위한 격리된 컨테이너에서 YOLO 실행 방법을 알아보세요.
- Raspberry Pi의 Edge TPU: Google Edge TPU는 Raspberry Pi에서 YOLO 추론을 가속화합니다.
- 하이퍼파라미터 튜닝: Tuner 클래스와 유전 진화 알고리즘을 사용하여 하이퍼파라미터를 미세 조정함으로써 YOLO 최적화하는 방법을 알아보세요.
- 모델 평가 및 미세 조정 인사이트: 컴퓨터 비전 모델을 평가하고 미세 조정하는 전략과 모범 사례에 대한 통찰력을 얻으세요. 최적의 결과를 달성하기 위해 모델을 개선하는 반복적인 과정에 대해 알아보세요.
- 분할 객체 분리: Ultralytics 사용하여 이미지에서 객체를 추출 및/또는 분리하는 방법에 대한 단계별 레시피와 설명.
- K-Fold 교차 검증: K-Fold 교차 검증 기법을 활용하여 모델의 일반화 능력을 향상시키는 방법을 알아보세요.
- 컴퓨터 비전 모델 유지 관리: 정확도 보장, 이상 탐지, 데이터 드리프트 완화를 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 각 형식의 장단점을 통해 배포 전략을 알 수 있습니다.
- 모델 YAML 구성 가이드: Ultralytics 모델 아키텍처 정의에 대한 포괄적인 심층 분석. YAML 형식을 탐구하고, 모듈 해결 시스템을 이해하며, 사용자 정의 모듈을 원활하게 통합하는 방법을 알아보세요.
- NVIDIA : NVIDIA 장치에 YOLO 배포하기 위한 빠른 시작 가이드.
- OpenVINO 대 처리량 모드: YOLO 성능 극대화를 위한 지연 시간 및 처리량 최적화 기법 학습
- 주석이 달린 데이터 전처리: YOLO11 활용한 컴퓨터 비전 프로젝트에서 이미지 데이터 전처리 및 증강 기법(정규화, 데이터셋 증강, 분할, 탐색적 데이터 분석(EDA) 포함)에 대해 알아봅니다.
- 라즈베리 파이: 최신 라즈베리 파이 하드웨어에서 YOLO 실행하기 위한 빠른 시작 튜토리얼.
- ROS 빠른 시작: 로봇 공학 애플리케이션에서 실시간 객체 탐지를 위해 YOLO 로봇 운영 체제(ROS) YOLO 통합하는 방법을 배우세요. 포인트 클라우드 및 깊이 이미지 포함.
- SAHI 타일링 추론: 고해상도 이미지에서 객체 탐지를 YOLO11 함께 SAHI의 슬라이스 추론 기능을 활용하는 포괄적 가이드.
- 컴퓨터 비전 프로젝트의 단계: 목표 정의, 모델 선택, 데이터 준비, 결과 평가 등 컴퓨터 비전 프로젝트에 포함된 주요 단계에 대해 알아보세요.
- 모델 훈련 팁: 배치 크기 최적화, 혼합 정밀도 활용, 사전 훈련된 가중치 적용 등 컴퓨터 비전 모델 훈련을 손쉽게 만드는 다양한 팁을 살펴보세요.
- Triton 서버 통합: 확장 가능하고 효율적인 딥러닝 추론 배포를 위해 Ultralytics YOLO11 NVIDIA Triton 서버 통합을 살펴보세요.
- Docker를 활용한 Vertex AI 배포: Docker로 YOLO 컨테이너화하고 Google Vertex AI에 배포하는 간소화된 가이드—빌드, 푸시, 자동 확장 및 모니터링을 다룹니다.
- 터미널에서 추론 이미지 보기: Remote Tunnel 또는 SSH 세션을 사용할 때 VSCode의 통합 터미널을 사용하여 추론 결과를 볼 수 있습니다.
- YOLO 일반 문제 ⭐ 권장: Ultralytics YOLO 모델 작업 시 가장 자주 발생하는 문제에 대한 실용적인 솔루션 및 문제 해결 팁입니다.
- YOLO 증강: 기본 변환부터 모델의 견고성과 성능 향상을 위한 고급 전략에 이르기까지 YOLO 모든 데이터 증강 기법을 완벽히 마스터하세요.
- YOLO 성능 지표 ⭐ 필수: YOLO 모델의 성능을 평가하는 데 사용되는 mAP, IoU 및 F1 점수와(과) 같은 주요 지표를 이해합니다. 탐지 정확도와 속도를 개선하는 방법에 대한 실용적인 예제와 팁이 포함되어 있습니다.
- YOLO 안전 추론: YOLO 스레드 안전하게 추론을 수행하기 위한 가이드라인. 스레드 안전의 중요성과 경합 상태를 방지하며 일관된 예측을 보장하기 위한 모범 사례를 알아보세요.
가이드에 기여하기
커뮤니티의 기여를 환영합니다! 아직 가이드에서 다루지 않은 Ultralytics YOLO의 특정 측면을 마스터했다면 전문 지식을 공유해 주시기 바랍니다. 가이드를 작성하는 것은 커뮤니티에 환원하고 문서가 더욱 포괄적이고 사용자 친화적으로 만드는 데 도움이 되는 좋은 방법입니다.
시작하려면 풀 리퀘스트(PR)를 여는 방법에 대한 가이드라인이 담긴 기여 가이드를 참조하세요(🛠️). 여러분의 기여를 기다리겠습니다!
Ultralytics YOLO 생태계를 더욱 강력하고 다재다능하게 만들기 위해 함께 노력합시다 🙏!
FAQ
Ultralytics YOLO를 사용하여 사용자 정의 객체 감지 모델을 훈련하려면 어떻게 해야 하나요?
Ultralytics YOLO를 사용하여 사용자 정의 객체 감지 모델을 훈련하는 것은 간단합니다. 올바른 형식으로 데이터 세트를 준비하고 Ultralytics 패키지를 설치하는 것으로 시작합니다. 다음 코드를 사용하여 훈련을 시작합니다.
예시
from ultralytics import YOLO
model = YOLO("yolo11n.pt") # Load a pre-trained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50) # Train on custom dataset
yolo task=detect mode=train model=yolo11n.pt data=path/to/dataset.yaml epochs=50
자세한 데이터 세트 형식 지정 및 추가 옵션은 모델 훈련 팁 가이드를 참조하세요.
YOLO 모델을 평가하는 데 어떤 성능 지표를 사용해야 하나요?
YOLO 모델의 성능을 평가하는 것은 그 효과를 이해하는 데 매우 중요합니다. 주요 지표로는 평균 평균 정밀도mAP, 교집합 대비 교차점IoU, F1 점수가 있습니다. 이러한 메트릭은 객체 감지 작업의 정확도와 정밀도를 평가하는 데 도움이 됩니다. 이러한 메트릭과 모델을 개선하는 방법에 대한 자세한 내용은 YOLO 성능 메트릭 가이드에서 확인할 수 있습니다.
컴퓨터 비전 프로젝트에 Ultralytics HUB를 사용해야 하는 이유는 무엇인가요?
Ultralytics HUB는 YOLO 모델의 관리, 훈련 및 배포를 간소화하는 노코드 플랫폼입니다. 원활한 통합, 실시간 추적 및 클라우드 훈련을 지원하므로 초보자와 전문가 모두에게 이상적입니다. Ultralytics HUB 퀵스타트 가이드에서 기능과 워크플로를 간소화하는 방법에 대해 자세히 알아보세요.
YOLO 모델 훈련 중에 발생하는 일반적인 문제는 무엇이며, 어떻게 해결할 수 있나요?
YOLO 모델 훈련 중 일반적인 문제에는 데이터 형식 오류, 모델 아키텍처 불일치 및 훈련 데이터 부족이 있습니다. 이러한 문제를 해결하려면 데이터 세트 형식이 올바른지 확인하고 호환되는 모델 버전을 확인하고 훈련 데이터를 늘리세요. 포괄적인 솔루션 목록은 YOLO 일반적인 문제 가이드를 참조하세요.
에지 장치에서 실시간 객체 감지를 위해 YOLO 모델을 어떻게 배포할 수 있나요?
NVIDIA Jetson 및 Raspberry Pi와 같은 엣지 디바이스에 YOLO 모델을 배포하려면 해당 모델을 TensorRT 또는 TFLite 같은 호환 가능한 형식으로 변환해야 합니다. 엣지 하드웨어에서 실시간 오브젝트 감지를 시작하려면 NVIDIA Jetson 및 Raspberry Pi 배포를 위한 단계별 가이드를 따르세요. 이 가이드는 설치, 구성 및 성능 최적화를 안내합니다.
