Ultralytics YOLO를 위한 포괄적인 튜토리얼

Ultralytics YOLO 가이드에 오신 것을 환영합니다. 이 포괄적인 튜토리얼에서는 학습부터 예측, 배포에 이르기까지 YOLO 객체 감지 모델의 다양한 측면을 다룹니다. PyTorch를 기반으로 구축된 YOLO는 실시간 객체 감지 작업에서 뛰어난 속도와 정확도로 정평이 나 있습니다.

딥러닝 초보자든 전문가든 관계없이, 본 튜토리얼은 컴퓨터 비전 프로젝트에서 YOLO를 구현하고 최적화하는 데 필요한 유용한 통찰력을 제공합니다.

가이드

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

• 모델 테스트 가이드: 현실적인 환경에서 컴퓨터 비전 모델을 테스트하기 위한 철저한 가이드입니다. 프로젝트 목표에 맞춰 정확도, 신뢰성, 성능을 검증하는 방법을 알아보십시오.
• AzureML 퀵스타트: Microsoft의 Azure 머신 러닝 플랫폼에서 Ultralytics YOLO 모델을 즉시 시작해 보십시오. 클라우드 환경에서 객체 감지 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 전체 가이드입니다. CVAT, Label Studio, Roboflow에 대한 도구별 팁과 함께 감지, 세그멘테이션, 키포인트를 다룹니다.
• COCO JSON 학습: 사용자 지정 데이터셋 클래스와 트레이너를 사용하여 YOLO 형식으로 변환하지 않고도 COCO JSON 주석으로 YOLO를 직접 학습시킵니다.
• Conda 퀵스타트: Ultralytics를 위한 Conda 환경 설정 단계별 가이드입니다. Conda를 사용하여 Ultralytics 패키지를 효율적으로 설치하고 사용하는 방법을 배울 수 있습니다.
• 트레이너 사용자 지정: YOLO 트레이너를 하위 클래스로 만들어 사용자 지정 메트릭을 로깅하고, 클래스 가중치가 부여된 손실 함수를 추가하고, 모델 저장을 사용자 지정하고, 백본을 고정/해제하고, 레이어별 학습률을 설정하는 방법을 배웁니다.
• 데이터 수집 및 주석: 컴퓨터 비전 모델을 위한 고품질 입력을 생성하기 위해 데이터를 수집하고 주석을 달 때 필요한 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 알아봅니다. 잘 정의된 문제 설명의 중요성과 그것이 어떻게 프로젝트 로드맵을 구축하는지 확인하십시오.
• Docker 퀵스타트: Docker를 사용하여 Ultralytics YOLO 모델을 설정하고 사용하는 전체 가이드입니다. 일관된 개발 및 배포를 위해 Docker 설치, GPU 지원 관리 및 격리된 컨테이너에서 YOLO 모델 실행 방법을 배우십시오.
• Raspberry Pi에서 Edge TPU 사용: Google Edge TPU는 Raspberry Pi에서 YOLO 추론을 가속화합니다.
• 엔드 투 엔드 감지: YOLO26의 NMS 없는 엔드 투 엔드 감지, 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 지정 모델)을 ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch 및 TensorFlow SavedModel로 변환하십시오.
• 사용자 지정 데이터에서 YOLO 파인튜닝: 사전 학습된 가중치를 사용하여 사용자 지정 데이터셋에서 YOLO26을 파인튜닝하는 전체 가이드입니다. 전이 학습, 레이어 고정, 옵티마이저 선택, 2단계 학습 및 문제 해결을 다룹니다.
• 하이퍼파라미터 튜닝: Tuner 클래스와 유전 알고리즘을 사용하여 하이퍼파라미터를 파인튜닝함으로써 YOLO 모델을 최적화하는 방법을 알아보십시오.
• 모델 평가 및 파인튜닝에 대한 통찰: 컴퓨터 비전 모델을 평가하고 파인튜닝하기 위한 전략과 모범 사례에 대한 통찰력을 얻으십시오. 최적의 결과를 얻기 위해 모델을 개선하는 반복적인 과정을 배울 수 있습니다.
• 세그멘테이션 객체 격리: Ultralytics 세그멘테이션을 사용하여 이미지에서 객체를 추출하거나 격리하는 방법에 대한 단계별 레시피 및 설명입니다.
• K-Fold 교차 검증: K-Fold 교차 검증 기술을 사용하여 모델 일반화 성능을 향상시키는 방법을 배웁니다.
• 컴퓨터 비전 모델 유지 관리: 정확도를 보장하고 이상 현상을 감지하며 데이터 드리프트를 완화하기 위해 컴퓨터 비전 모델을 모니터링, 유지 관리 및 문서화하는 주요 관행을 이해합니다.
• 모델 배포 옵션: 배포 전략 수립에 도움을 주기 위해 ONNX, OpenVINO, TensorRT와 같은 YOLO 모델 배포 형식에 대한 개요와 각 형식의 장단점을 소개합니다.
• 모델 YAML 구성 가이드: Ultralytics 모델 아키텍처 정의에 대한 포괄적인 심층 분석입니다. YAML 형식을 살펴보고, 모듈 해결 시스템을 이해하며, 사용자 지정 모듈을 원활하게 통합하는 방법을 배우십시오.
• NVIDIA DALI GPU 전처리: Triton Inference Server 통합을 통해 NVIDIA DALI를 사용하여 GPU에서 YOLO 레터박스 크기 조정, 패딩 및 정규화를 실행함으로써 CPU 전처리 병목 현상을 제거하십시오.
• 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 vs 처리량 모드: 최고의 YOLO 추론 성능을 위한 지연 시간 및 처리량 최적화 기술을 배웁니다.
• 주석 데이터 전처리: 정규화, 데이터셋 증강, 분할 및 탐색적 데이터 분석(EDA)을 포함하여 YOLO26을 사용하여 컴퓨터 비전 프로젝트에서 이미지 데이터를 전처리하고 증강하는 방법을 알아봅니다.
• Raspberry Pi: 최신 Raspberry Pi 하드웨어에서 YOLO 모델을 실행하기 위한 퀵스타트 튜토리얼입니다.
• ROS 퀵스타트: 로봇 공학 애플리케이션에서 실시간 객체 감지를 위해 Point Cloud 및 Depth 이미지를 포함하여 YOLO를 로봇 운영 체제(ROS)와 통합하는 방법을 배웁니다.
• SAHI 타일 기반 추론: 고해상도 이미지에서 객체 감지를 위해 YOLO26과 함께 SAHI의 슬라이스 추론 기능을 활용하는 포괄적인 가이드입니다.
• 컴퓨터 비전 프로젝트 단계: 목표 정의, 모델 선택, 데이터 준비, 결과 평가를 포함하여 컴퓨터 비전 프로젝트와 관련된 주요 단계를 배웁니다.
• 모델 학습 팁: 컴퓨터 비전 모델 학습을 수월하게 만들기 위해 배치 사이즈 최적화, 혼합 정밀도 사용, 사전 학습된 가중치 적용 등의 팁을 살펴보십시오.
• Triton Inference Server 통합: 확장 가능하고 효율적인 딥러닝 추론 배포를 위해 Ultralytics YOLO26과 NVIDIA의 Triton Inference Server 통합에 대해 알아봅니다.
• Docker를 이용한 Vertex AI 배포: YOLO 모델을 Docker로 컨테이너화하고 Google Cloud Vertex AI에 배포하기 위한 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 봅니다.
• YOLO26 학습 레시피: COCO에서 공식 YOLO26 기본 체크포인트를 학습하는 데 사용되는 하이퍼파라미터, 증강 파이프라인 및 옵티마이저 설정에 대한 전체 문서와 실무적인 파인튜닝 안내를 제공합니다.
• YOLO 일반적인 문제 ⭐ 추천: Ultralytics YOLO 모델로 작업할 때 가장 자주 발생하는 문제에 대한 실용적인 해결책과 문제 해결 팁입니다.
• YOLO 데이터 증강: 기본 변환부터 모델 견고성과 성능을 향상시키기 위한 고급 전략까지, YOLO의 전체 데이터 증강 기술을 마스터하십시오.
• YOLO 성능 메트릭 ⭐ 필수: YOLO 모델의 성능을 평가하는 데 사용되는 mAP, IoU 및 F1 스코어와 같은 주요 메트릭을 이해합니다. 감지 정확도와 속도를 높이는 방법에 대한 실용적인 예제와 팁이 포함되어 있습니다.
• YOLO 스레드 안전 추론: YOLO 모델을 사용하여 스레드 안전한 방식으로 추론을 수행하기 위한 가이드라인입니다. 스레드 안전의 중요성과 레이스 컨디션을 방지하고 일관된 예측을 보장하기 위한 모범 사례를 배웁니다.

가이드 기여하기

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

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

FAQ

Ultralytics YOLO를 사용하여 사용자 지정 객체 감지 모델을 어떻게 학습시키나요?

Ultralytics YOLO로 사용자 지정 객체 감지 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

상세한 데이터셋 형식 지정 및 추가 옵션은 모델 학습 팁 가이드를 참조하십시오.

YOLO 모델을 평가하기 위해 어떤 성능 메트릭을 사용해야 하나요?

YOLO 모델 성능을 평가하는 것은 효율성을 이해하는 데 매우 중요합니다. 주요 메트릭으로는 평균 정밀도 평균(mAP), 교차 합의 비율(IoU) 및 F1 스코어가 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 Platform을 사용해야 하는 이유는 무엇인가요?

Ultralytics Platform은 YOLO 모델의 관리, 학습 및 배포를 간소화하는 노코드 플랫폼입니다. 원활한 통합, 실시간 추적 및 클라우드 학습을 지원하여 초보자와 전문가 모두에게 이상적입니다. 기능에 대한 자세한 내용과 워크플로우를 간소화하는 방법은 Ultralytics Platform 퀵스타트 가이드를 확인하십시오.

YOLO 모델 학습 중에 발생하는 일반적인 문제는 무엇이며 어떻게 해결할 수 있나요?

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

엣지 장치에서 실시간 객체 감지를 위해 YOLO 모델을 어떻게 배포할 수 있나요?

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