YOLO Vision 2026:

Ultralytics YOLO를 위한 포괄적인 튜토리얼#

Ultralytics의 YOLO 가이드에 오신 것을 환영합니다. 당사의 종합적인 튜토리얼은 학습 및 예측부터 배포에 이르기까지 YOLO object detection 모델의 다양한 측면을 다룹니다. PyTorch 기반으로 구축된 YOLO는 실시간 객체 검출 작업에서 뛰어난 속도와 accuracy로 두각을 나타냅니다.

초보자이든 deep learning 전문가이든 관계없이, 당사의 튜토리얼은 computer vision 프로젝트를 위한 YOLO 구현 및 최적화에 대한 유용한 통찰력을 제공합니다.



Watch: Ultralytics YOLO26 Guides Overview

가이드#

가이드는 환경 설정 및 데이터 준비부터 학습, 평가, 배포, 추론 최적화, 엣지 하드웨어에 이르기까지 프로젝트 단계별로 분류되어 있어 현재 진행 중인 작업 단계로 바로 이동할 수 있습니다.

시작하기 및 계획#

  • Conda Quickstart: Ultralytics용 Conda 환경을 설정하는 단계별 가이드입니다. Cond를 사용하여 Ultralytics 패키지를 효율적으로 설치하고 사용하는 방법을 알아보세요.
  • Docker Quickstart: Docker를 사용하여 Ultralytics YOLO 모델을 설정하고 사용하는 완벽한 가이드입니다. 일관된 개발 및 배포를 위해 Docker 설치, GPU 지원 관리, 격리된 컨테이너에서의 YOLO 모델 실행 방법을 알아보세요.
  • AzureML Quickstart: Microsoft의 Azure Machine Learning 플랫폼에서 Ultralytics YOLO 모델을 시작하고 실행하세요. 클라우드에서 객체 검출 프로젝트를 학습, 배포 및 확장하는 방법을 알아보세요.
  • Modal Quickstart: Modal의 서버리스 클라우드 플랫폼에서 Ultralytics YOLO26을 실행하세요. 인프라 관리 없이 영구 스토리지를 활용한 인증, GPU 추론 및 학습 작업을 다룹니다.
  • Defining A Computer Vision Project's Goals: 컴퓨터 비전 프로젝트의 명확하고 측정 가능한 목표를 효과적으로 정의하는 방법을 안내합니다. 잘 정의된 문제 정의의 중요성과 그것이 프로젝트의 로드맵을 어떻게 생성하는지 알아보세요.
  • Steps of a Computer Vision Project: 목표 정의, 모델 선택, 데이터 준비, 결과 평가를 포함하여 컴퓨터 비전 프로젝트와 관련된 주요 단계를 알아보세요.
  • YOLO Architecture Explained: 백본, 넥, 검출 헤드에 걸쳐 YOLO 아키텍처가 YOLOv3에서 YOLO26으로 진화한 과정을 추적합니다. C2f, C3k2, C2PSA 어텐션, 앵커 프리 및 NMS 프리 디자인을 다룹니다.

데이터 준비#

  • Data Collection and Annotation: 컴퓨터 비전 모델을 위한 고품질 입력을 생성하기 위해 데이터를 수집하고 어노테이션하는 도구, 기술 및 모범 사례를 살펴보세요.
  • Preprocessing Annotated Data: 이미지 크기 조정, 정규화, 데이터셋 분할, 데이터 증강 및 탐색적 데이터 분석(EDA)을 포함하여 YOLO26을 사용한 컴퓨터 비전용 데이터 전처리를 알아보세요.
  • YOLO Data Augmentation: 모델의 견고성과 성능을 향상시키기 위한 기본 변환부터 고급 전략에 이르기까지 YOLO의 전체 데이터 증강 기술을 마스터하세요.
  • COCO to YOLO Conversion: 학습을 위해 COCO JSON 어노테이션을 YOLO 형식으로 변환하는 완벽한 가이드입니다. 클래스 ID 매핑 및 일반적인 변환 함정을 포함하여 검출, 세그멘테이션, 키포인트를 다룹니다.
  • COCO JSON Training: 커스텀 데이터셋 클래스와 트레이너를 사용하여 YOLO 형식으로 변환하지 않고 COCO JSON 어노테이션에서 직접 YOLO를 학습하세요.

학습 및 파인튜닝#

  • Tips for Model Training: 컴퓨터 비전 모델 학습을 더욱 쉽게 만들기 위해 batch sizes 최적화, mixed precision 사용, 사전 학습된 가중치 적용 등에 대한 팁을 살펴보세요.
  • Fine-Tuning YOLO on Custom Data: 사전 학습된 가중치로 커스텀 데이터셋에서 YOLO26을 미세 조정하는 완벽한 가이드입니다. 전이 학습, 레이어 동결, 옵티마이저 선택, 2단계 학습 및 문제 해결을 다룹니다.
  • YOLO26 Training Recipe: 실용적인 미세 조정 지침과 함께, COCO에서 공식 YOLO26 베이스 체크포인트를 학습하는 데 사용되는 하이퍼파라미터, 증강 파이프라인 및 옵티마이저 설정에 대한 전체 문서입니다.
  • Hyperparameter Tuning: Tuner 클래스와 유전 알고리즘을 사용하여 하이퍼파라미터를 미세 조정함으로써 YOLO 모델을 최적화하는 방법을 알아보세요.
  • Knowledge Distillation: 특징 기반 증류를 사용하여 더 큰 교사 모델의 지식을 더 작은 학생 모델로 전달함으로써 모델 성능을 향상시키는 방법을 알아보세요.
  • K-Fold Cross Validation: K-Fold 교차 검증 기법을 사용하여 모델 일반화 성능을 향상시키는 방법을 알아보세요.
  • Customizing Trainer: YOLO 트레이너를 서브클래싱하여 커스텀 지표 로깅, 클래스 가중치 손실 추가, 모델 저장 커스텀화, 백본 동결/해제, 레이어별 학습률 설정 방법을 알아보세요.
  • Model YAML Configuration Guide: Ultralytics의 모델 아키텍처 정의에 대한 종합적인 심층 분석입니다. YAML 형식을 탐색하고, 모듈 해결 시스템을 이해하며, 커스텀 모듈을 원활하게 통합하는 방법을 알아보세요.

평가 및 문제 해결#

  • YOLO Performance Metrics ⭐ 필수: YOLO 모델의 성능을 평가하는 데 사용되는 mAP, IoU 및 F1 score와 같은 주요 지표를 이해하세요. 검출 정확도와 속도를 향상시키는 방법에 대한 실용적인 예제와 팁이 포함되어 있습니다.
  • 모델 평가 및 파인튜닝 인사이트: mAP 및 IoU와 같은 지표로 컴퓨터 비전 모델을 평가하고, 지표가 드러내는 내용을 바탕으로 조치를 취하여 감지 정확도를 향상시킵니다.
  • Model Testing: 미지의 데이터로 컴퓨터 비전 모델을 테스트하고, YOLO26 모델을 검증하며, 배포 전에 과적합, 과소적합 및 데이터 누출을 찾아내는 방법을 알아보세요.
  • YOLO Common Issues ⭐ 권장: Ultralytics YOLO 모델로 작업할 때 가장 자주 발생하는 문제에 대한 실용적인 솔루션 및 문제 해결 팁입니다.
  • Maintaining Your Computer Vision Model: 정확도를 보장하고, 이상 징후를 발견하며, 데이터 드리프트를 완화하기 위해 컴퓨터 비전 모델을 모니터링, 유지 관리 및 문서화하는 주요 관행을 이해하세요.

배포 및 서빙#

  • Model Deployment Options: 배포 전략을 수립하는 데 참고할 수 있도록 각 방식의 장단점과 함께 ONNX, OpenVINO, TensorRT 같은 YOLO model deployment 형식을 개관합니다.
  • Best Practices for Model Deployment: 최적화, 문제 해결 및 보안에 초점을 맞추어 컴퓨터 비전 프로젝트에서 모델을 효율적으로 배포하기 위한 팁과 모범 사례를 살펴보세요.
  • Export Non-YOLO Models: Ultralytics 독립형 내보내기 유틸리티를 사용하여 모든 torch.nn.Module(timm, torchvision, 커스텀)을 ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch 및 TensorFlow SavedModel로 변환하세요.
  • End-to-End Detection: YOLO26의 NMS 프리 엔드투엔드 검출, 내보내기 호환성, 출력 형식 변경 사항 및 이전 YOLO 모델에서 마이그레이션하는 방법을 이해하세요.
  • Triton Inference Server Integration: 확장 가능하고 효율적인 딥러닝 추론 배포를 위해 Ultralytics YOLO26을 NVIDIA의 Triton Inference Server와 통합하는 방법을 살펴보세요.
  • YOLO Thread-Safe Inference: 스레드 안전 방식으로 YOLO 모델로 추론을 수행하기 위한 가이드라인입니다. 경쟁 상태(race condition)를 방지하고 일관된 예측을 보장하기 위한 스레드 안전성의 중요성과 모범 사례를 알아보세요.
  • ROS Quickstart: 포인트 클라우드 및 깊이(Depth) 이미지를 포함하여 로보틱스 애플리케이션에서 실시간 객체 검출을 위해 YOLO를 로봇 운영 체제(ROS)와 통합하는 방법을 알아보세요.
  • Vertex AI Deployment with Docker: Docker로 YOLO 모델을 컨테이너화하고 Google Cloud Vertex AI에 배포하기 위한 간소화된 가이드입니다. 빌드, 푸시, 자동 스케일링 및 모니터링을 다룹니다.

추론 최적화#

  • SAHI Tiled Inference: 고해상도 이미지에서 객체 검출을 위해 YOLO26과 함께 SAHI의 슬라이스 추론 기능을 활용하는 방법에 대한 종합 가이드입니다.
  • OpenVINO Latency vs Throughput Modes: 최고 수준의 YOLO 추론 성능을 위한 지연 시간(latency) 및 처리량(throughput) 최적화 기법을 알아보세요.
  • NVIDIA DALI GPU Preprocessing: Triton Inference Server 통합과 함께 NVIDIA DALI를 사용하여 GPU에서 YOLO 레터박스 크기 조정, 패딩 및 정규화를 실행함으로써 CPU 전처리 병목 현상을 제거하세요.
  • Isolating Segmentation Objects: Ultralytics Segmentation을 사용하여 이미지에서 객체를 추출 및/또는 격리하는 방법에 대한 단계별 레시피 및 설명입니다.
  • View Inference Images in a Terminal: 원격 터널 또는 SSH 세션을 사용할 때 VSCode의 통합 터미널을 사용하여 추론 결과를 확인하세요.

엣지 및 임베디드 하드웨어#

  • NVIDIA Jetson: NVIDIA Jetson 기기에 YOLO 모델을 배포하기 위한 빠른 시작 가이드입니다.
  • Raspberry Pi: 최신 Raspberry Pi 하드웨어에서 YOLO 모델을 실행하기 위한 빠른 시작 튜토리얼입니다.
  • DeepStream on NVIDIA Jetson: DeepStream과 TensorRT를 사용하여 NVIDIA Jetson 기기에 YOLO 모델을 배포하기 위한 빠른 시작 가이드입니다.
  • Edge TPU on Raspberry Pi: Google Edge TPU는 Raspberry Pi에서 YOLO 추론을 가속화합니다.
  • NVIDIA DGX Spark: NVIDIA DGX Spark 기기에 YOLO 모델을 배포하기 위한 빠른 시작 가이드입니다.
  • DL Streamer on Intel: DL Streamer와 OpenVINO™를 사용하여 Intel Core Ultra Series 3 기기에 YOLO26 모델을 배포하기 위한 빠른 시작 가이드입니다.

가이드 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 풀 리퀘스트(PR)를 여는 방법에 대한 지침이 담긴 Contributing Guide를 읽어보세요. 새 가이드를 추가할 때는 프로젝트 단계에 맞는 위의 카테고리 아래에 배치하고, 컬렉션이 커져도 쉽게 탐색할 수 있도록 단계별 튜토리얼, 작업 중심 하우투, 레퍼런스 등의 단일 페이지 유형으로 유지해 주세요. 여러분의 기여를 기다립니다.

FAQ#

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

    예시
    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 및 추가 옵션은 Tips for Model Training 가이드를 참조하세요.

  • YOLO 모델 성능 평가는 그 효능을 이해하는 데 매우 중요합니다. 주요 지표에는 Mean Average Precision(mAP), Intersection over Union(IoU) 및 F1 score가 포함됩니다. 이러한 지표는 객체 검출 작업의 정확도와 precision을 평가하는 데 도움이 됩니다. 이러한 지표와 모델을 개선하는 방법에 대한 자세한 내용은 YOLO Performance Metrics 가이드에서 확인할 수 있습니다.

  • Ultralytics Platform은 YOLO 모델 관리, 학습 및 배포를 단순화하는 노코드 플랫폼입니다. 원활한 통합, 실시간 추적 및 클라우드 학습을 지원하여 초보자와 전문가 모두에게 이상적입니다. Ultralytics Platform 빠른 시작 가이드를 통해 해당 기능과 워크플로우를 간소화하는 방법에 대해 자세히 알아보세요.

  • YOLO 모델 학습 중 발생하는 일반적인 문제에는 데이터 형식 오류, 모델 아키텍처 불일치, 불충분한 training data가 있습니다. 이를 해결하려면 데이터셋 형식이 올바르게 지정되었는지 확인하고, 호환되는 모델 버전을 확인하며, 학습 데이터를 증강하십시오. 포괄적인 솔루션 목록은 YOLO Common Issues 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 검출을 시작하려면 NVIDIA Jetson 및 Raspberry Pi 배포를 위한 단계별 가이드를 따르세요. 이 가이드는 설치, 구성 및 성능 최적화 과정을 안내합니다.

기여자
GLglenn-jocher21RAraimbekovm15RIRizwanMunawar11ABabirami-vina6BUBurhan-Q3AMambitious-octopus2LAlakshanthad2TBtbujewsk1LMlmycross1ONonuralpszr1PDpderrenger1Y-Y-T-G1LUlussebullar1PIpicsalex1MAMatthewNoyce1

댓글