다음에 대한 포괄적인 자습서 Ultralytics YOLO

Ultralytics' YOLO 🚀 가이드에 오신 것을 환영합니다! 포괄적인 튜토리얼은 훈련 및 예측에서 배포에 이르기까지 YOLO 객체 감지 모델의 다양한 측면을 다룹니다. PyTorch 을 기반으로 구축된 YOLO 은 실시간 객체 감지 작업에서 탁월한 속도와 정확성을 자랑합니다.

딥러닝 초보자부터 전문가까지, 컴퓨터 비전 프로젝트를 위한 YOLO 의 구현과 최적화에 대한 유용한 인사이트를 얻을 수 있는 튜토리얼입니다. 지금 바로 시작하세요!

Watch: Ultralytics YOLOv8 가이드 개요

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 성능 지표 ⭐ 필수: YOLO 모델의 성능을 평가하는 데 사용되는 mAP, IoU 및 F1 점수와 같은 주요 지표를 이해합니다. 탐지 정확도와 속도를 개선하는 방법에 대한 실용적인 예제와 팁이 포함되어 있습니다.
• 모델 배포 옵션: ONNX , OpenVINO, TensorRT 와 같은 YOLO 모델 배포 형식에 대한 개요와 각각의 장단점을 통해 배포 전략에 대한 정보를 얻을 수 있습니다.
• 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 타일형 추론 🚀 신규: 고해상도 이미지에서 물체 감지를 위해 YOLOv8 에서 SAHI의 슬라이스 추론 기능을 활용하는 방법에 대한 종합 가이드입니다.
• AzureML 빠른 시작 🚀 새 기능: Microsoft 의 Azure 머신 러닝 플랫폼에서 Ultralytics YOLO 모델을 사용하여 시작 및 실행하세요. 클라우드에서 개체 감지 프로젝트를 학습, 배포 및 확장하는 방법을 알아보세요.
• 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 추론 서버 통합 🚀 신규: 확장 가능하고 효율적인 딥 러닝 추론 배포를 위해 Ultralytics YOLOv8 과 NVIDIA 의 Triton 추론 서버의 통합에 대해 자세히 알아보세요.
• 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.
• 주석이 달린 데이터 전처리 🚀 신규: 정규화, 데이터 세트 증강, 분할, 탐색적 데이터 분석(EDA) 등 YOLOv8 을 사용하여 컴퓨터 비전 프로젝트에서 이미지 데이터를 전처리하고 증강하는 방법에 대해 알아보세요.
• 모델 학습을 위한 팁 🚀 신규: 배치 크기 최적화, 혼합 정밀도 사용, 사전 학습된 가중치 적용 등 컴퓨터 비전 모델을 쉽게 학습할 수 있는 팁을 살펴보세요.
• 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("yolov8s.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=yolov8s.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?

YOLO 모델 성능을 평가하는 것은 그 효과를 이해하는 데 매우 중요합니다. 주요 지표로는 평균 평균 정밀도(mAP), 교차 교차점(IoU), 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 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?

YOLO 모델 학습 중 발생하는 일반적인 문제로는 데이터 형식 오류, 모델 아키텍처 불일치, 학습 데이터 부족 등이 있습니다. 이러한 문제를 해결하려면 데이터 세트의 형식이 올바른지 확인하고, 호환되는 모델 버전을 확인하고, 학습 데이터를 보강하세요. 종합적인 해결 방법 목록은 YOLO 일반적인 문제 가이드를 참조하세요.

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.

댓글