다음에 대한 포괄적인 자습서 Ultralytics YOLO

Welcome to the Ultralytics' YOLO 🚀 Guides! Our comprehensive tutorials cover various aspects of the YOLO object detection model, ranging from training and prediction to deployment. Built on PyTorch, YOLO stands out for its exceptional speed and accuracy in real-time object detection tasks.

Whether you're a beginner or an expert in deep learning, our tutorials offer valuable insights into the implementation and optimization of YOLO for your computer vision projects. Let's dive in!

Watch: Ultralytics YOLO11 Guides Overview

가이드

다음은 Ultralytics YOLO 의 다양한 측면을 익히는 데 도움이 되는 심층 가이드 모음입니다.

• YOLO 일반적인 문제 ⭐ 권장 사항: Ultralytics YOLO 모델로 작업할 때 가장 자주 발생하는 문제에 대한 실용적인 솔루션 및 문제 해결 팁입니다.
• YOLO Performance Metrics ⭐ ESSENTIAL: Understand the key metrics like mAP, IoU, and F1 score used to evaluate the performance of your YOLO models. Includes practical examples and tips on how to improve detection accuracy and speed.
• Model Deployment Options: Overview of YOLO model deployment formats like ONNX, OpenVINO, and TensorRT, with pros and cons for each to inform your deployment strategy.
• K-Fold 교차 검증 🚀 신규: K-Fold 교차 검증 기법을 사용하여 모델 일반화를 개선하는 방법을 알아보세요.
• 하이퍼파라미터 튜닝 🚀 신규: 튜너 클래스와 유전적 진화 알고리즘을 사용하여 하이퍼파라미터를 미세 조정하여 YOLO 모델을 최적화하는 방법을 알아보세요.
• SAHI Tiled Inference 🚀 NEW: Comprehensive guide on leveraging SAHI's sliced inference capabilities with YOLO11 for object detection in high-resolution images.
• AzureML Quickstart 🚀 NEW: Get up and running with Ultralytics YOLO models on Microsoft's Azure Machine Learning platform. Learn how to train, deploy, and scale your object detection projects in the cloud.
• Conda 빠른 시작 🚀 신규: Ultralytics 에 대한 Conda 환경 설정에 대한 단계별 가이드입니다. Ultralytics 패키지를 효율적으로 설치하고 사용하는 방법을 알아보세요.
• Docker빠른 시작 🚀 신규: Docker로 Ultralytics YOLO 모델을 설정하고 사용하기 위한 전체 가이드입니다. 일관된 개발 및 배포를 위해 Docker를 설치하고, GPU 지원을 관리하고, 격리된 컨테이너에서 YOLO 모델을 실행하는 방법을 알아보세요.
• 라즈베리 파이 🚀 신규: 최신 라즈베리 파이 하드웨어에서 YOLO 모델을 실행하는 빠른 시작 튜토리얼.
• NVIDIA Jetson 🚀 신규: NVIDIA Jetson 장치에 YOLO 모델을 배포하기 위한 빠른 시작 가이드.
• NVIDIA Jetson의 DeepStream 🚀 신규: DeepStream 및 TensorRT 을 사용하여 NVIDIA Jetson 장치에 YOLO 모델을 배포하기 위한 빠른 시작 가이드.
• Triton Inference Server Integration 🚀 NEW: Dive into the integration of Ultralytics YOLO11 with NVIDIA's Triton Inference Server for scalable and efficient deep learning inference deployments.
• YOLO 스레드 안전 추론 🚀 신규: YOLO 모델을 사용하여 스레드 안전 방식으로 추론을 수행하기 위한 가이드라인입니다. 경쟁 조건을 방지하고 일관된 예측을 보장하기 위한 스레드 안전의 중요성과 모범 사례에 대해 알아보세요.
• 세분화 개체 분리하기 🚀 신규: Ultralytics 세분화를 사용하여 이미지에서 개체를 추출하거나 분리하는 방법에 대한 단계별 레시피와 설명이 추가되었습니다.
• 라즈베리 파이의 Edge TPU : Google Edge TPU 는 라즈베리 파이에서 YOLO 추론을 가속화합니다.
• 터미널에서 추론 이미지 보기: 원격 터널 또는 SSH 세션을 사용할 때 VSCode의 통합 터미널을 사용하여 추론 결과를 볼 수 있습니다.
• OpenVINO 지연 시간 대 처리량 모드 - 최고의 YOLO 추론 성능을 위한 지연 시간 및 처리량 최적화 기법에 대해 알아보세요.
• 컴퓨터 비전 프로젝트의 단계 🚀 신규: 목표 정의, 모델 선택, 데이터 준비, 결과 평가 등 컴퓨터 비전 프로젝트와 관련된 주요 단계에 대해 알아보세요.
• 컴퓨터 비전 프로젝트의 목표 정의하기 🚀 신규: 컴퓨터 비전 프로젝트의 명확하고 측정 가능한 목표를 효과적으로 정의하는 방법을 살펴보세요. 잘 정의된 문제 진술의 중요성과 이를 통해 프로젝트의 로드맵을 만드는 방법을 알아보세요.
• 데이터 수집 및 주석 🚀 신규: 컴퓨터 비전 모델을 위한 고품질 입력을 생성하기 위한 데이터 수집 및 주석 달기 도구, 기법, 모범 사례를 살펴보세요.
• Preprocessing Annotated Data 🚀 NEW: Learn about preprocessing and augmenting image data in computer vision projects using YOLO11, including normalization, dataset augmentation, splitting, and exploratory data analysis (EDA).
• Tips for Model Training 🚀 NEW: Explore tips on optimizing batch sizes, using mixed precision, applying pre-trained weights, and more to make training your computer vision model a breeze.
• 모델 평가 및 미세 조정에 대한 인사이트 🚀 신규: 컴퓨터 비전 모델을 평가하고 미세 조정하는 전략과 모범 사례에 대한 인사이트를 얻으세요. 최적의 결과를 얻기 위해 모델을 개선하는 반복적인 프로세스에 대해 알아보세요.
• 모델 테스트 가이드 🚀 신규: 실제 환경에서 컴퓨터 비전 모델을 테스트하는 방법에 대한 철저한 가이드입니다. 프로젝트 목표에 따라 정확성, 신뢰성, 성능을 검증하는 방법을 알아보세요.
• 모델 배포 모범 사례 🚀 신규: 최적화, 문제 해결 및 보안에 중점을 두고 컴퓨터 비전 프로젝트에서 모델을 효율적으로 배포하기 위한 팁과 모범 사례를 살펴봅니다.
• 컴퓨터 비전 모델 유지 관리 하기 🚀 신규: 컴퓨터 비전 모델을 모니터링, 유지 관리 및 문서화하여 정확성을 보장하고 이상 징후를 발견하며 데이터 드리프트를 완화하기 위한 주요 관행을 이해합니다.
• ROS 빠른 시작 🚀 신규: 포인트 클라우드 및 심도 이미지를 포함한 로봇 애플리케이션에서 실시간 물체 감지를 위해 YOLO 을 로봇 운영 체제(ROS)와 통합하는 방법을 알아보세요.

가이드에 기여하기

커뮤니티의 기여를 환영합니다! 아직 가이드에서 다루지 않은 Ultralytics YOLO 의 특정 측면을 마스터했다면 여러분의 전문 지식을 공유해 주시기 바랍니다. 가이드를 작성하는 것은 커뮤니티에 보답하고 더욱 포괄적이고 사용자 친화적인 문서를 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 견고하고 다양하게 만들기 위해 함께 노력합시다 🙏!

자주 묻는 질문

Ultralytics YOLO 을 사용하여 사용자 지정 객체 감지 모델을 훈련하려면 어떻게 하나요?

Ultralytics YOLO 을 사용하여 사용자 지정 객체 감지 모델을 훈련하는 방법은 간단합니다. 먼저 데이터 세트를 올바른 형식으로 준비하고 Ultralytics 패키지를 설치합니다. 다음 코드를 사용하여 훈련을 시작합니다:

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 서식 및 추가 옵션은 모델 학습을 위한 팁 가이드를 참조하세요.

YOLO 모델을 평가하기 위해 어떤 성능 지표를 사용해야 하나요?

Evaluating your YOLO model performance is crucial to understanding its efficacy. Key metrics include Mean Average Precision (mAP), Intersection over Union (IoU), and F1 score. These metrics help assess the accuracy and precision of object detection tasks. You can learn more about these metrics and how to improve your model in our YOLO Performance Metrics guide.

컴퓨터 비전 프로젝트에 Ultralytics HUB를 사용해야 하는 이유는 무엇인가요?

Ultralytics HUB는 코드가 필요 없는 플랫폼으로 YOLO 모델의 관리, 교육 및 배포를 간소화합니다. 원활한 통합, 실시간 추적 및 클라우드 교육을 지원하므로 초보자와 전문가 모두에게 이상적입니다. Ultralytics HUB 빠른 시작 가이드에서 기능에 대해 자세히 알아보고 워크플로를 간소화하는 방법을 알아보세요.

YOLO 모델 교육 중에 직면하는 일반적인 문제는 무엇이며 어떻게 해결할 수 있나요?

Common issues during YOLO model training include data formatting errors, model architecture mismatches, and insufficient training data. To address these, ensure your dataset is correctly formatted, check for compatible model versions, and augment your training data. For a comprehensive list of solutions, refer to our YOLO Common Issues guide.

엣지 디바이스에서 실시간 객체 감지를 위해 YOLO 모델을 배포하려면 어떻게 해야 하나요?

NVIDIA Jetson 및 Raspberry Pi와 같은 엣지 장치에 YOLO 모델을 배포하려면 해당 모델을 TensorRT 또는 TFLite와 같은 호환 가능한 형식으로 변환해야 합니다. 엣지 하드웨어에서 실시간 객체 감지를 시작하려면 NVIDIA Jetson 및 Raspberry Pi 배포에 대한 단계별 가이드를 따르세요. 이 가이드는 설치, 구성 및 성능 최적화를 안내합니다.

📅 Created 11 months ago ✏️ Updated 6 days ago

댓글