Skip to main content
GitHub에서 편집 (EN)

Ultralytics YOLO 자주 묻는 질문 (FAQ)

이 FAQ 섹션에서는 Ultralytics YOLO 저장소를 사용하면서 사용자들이 자주 접하는 질문과 문제를 다룹니다.

FAQ

Ultralytics는 무엇이며 어떤 서비스를 제공합니까?

Ultralytics는 YOLO(You Only Look Once) 계열에 중점을 둔 최첨단 객체 감지 및 이미지 분할 모델을 전문으로 하는 컴퓨터 비전 AI 기업입니다. 주요 제공 항목은 다음과 같습니다:

Ultralytics 패키지는 어떻게 설치합니까?

Ultralytics 패키지는 pip를 사용하여 간단하게 설치할 수 있습니다:

pip install ultralytics

최신 개발 버전을 설치하려면 GitHub 저장소에서 직접 설치하십시오:

pip install git+https://github.com/ultralytics/ultralytics.git

자세한 설치 지침은 빠른 시작 가이드에서 확인할 수 있습니다.

Ultralytics 모델을 실행하기 위한 시스템 요구 사항은 무엇입니까?

최소 요구 사항:

  • Python 3.8+
  • PyTorch 1.8+
  • CUDA 호환 GPU (GPU 가속을 위한 경우)

권장 설정:

  • Python 3.8+
  • PyTorch 1.10+
  • CUDA 11.2+ 지원 NVIDIA GPU
  • 8GB 이상 RAM
  • 50GB 이상의 여유 디스크 공간 (데이터셋 저장 및 모델 학습을 위한 경우)

일반적인 문제 해결 방법은 YOLO 일반 문제 페이지를 방문하십시오.

자체 데이터셋으로 사용자 정의 YOLO 모델을 학습시키려면 어떻게 합니까?

사용자 정의 YOLO 모델을 학습시키려면:

  1. YOLO 형식으로 데이터셋을 준비합니다(이미지 및 해당 레이블 txt 파일).

  2. 데이터셋 구조 및 클래스를 설명하는 YAML 파일을 만듭니다(데이터셋 YAML 예시 참조).

  3. 다음 Python 코드를 사용하여 학습을 시작합니다:

    from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from scratch
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)

데이터 준비 및 고급 학습 옵션을 포함한 더 자세한 가이드는 포괄적인 학습 가이드를 참조하십시오.

Ultralytics에서 사용 가능한 사전 학습 모델에는 어떤 것이 있습니까?

Ultralytics는 다양한 작업을 위한 풍부한 사전 학습 모델을 제공합니다:

  • 객체 감지: YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
  • 인스턴스 분할: YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
  • 분류: YOLO26n-cls, YOLO26s-cls, YOLO26m-cls, YOLO26l-cls, YOLO26x-cls
  • 포즈 추정: YOLO26n-pose, YOLO26s-pose, YOLO26m-pose, YOLO26l-pose, YOLO26x-pose
  • 방향 감지 (OBB): YOLO26n-obb, YOLO26s-obb, YOLO26m-obb, YOLO26l-obb, YOLO26x-obb

이러한 모델은 크기와 복잡도가 다양하며, 속도와 정확도 간의 다양한 절충점을 제공합니다. 프로젝트에 가장 적합한 모델을 찾으려면 사전 학습 모델 전체 목록을 살펴보십시오.

학습된 Ultralytics 모델로 추론을 수행하려면 어떻게 합니까?

학습된 모델로 추론을 수행하려면:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/your/model.pt")

# Perform inference
results = model("path/to/image.jpg")

# Process results
for r in results:
    print(r.boxes)  # print bbox predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

배치 처리 및 비디오 추론을 포함한 고급 추론 옵션은 자세한 예측 가이드를 확인하십시오.

Ultralytics 모델을 엣지 장치나 프로덕션 환경에 배포할 수 있습니까?

물론입니다! Ultralytics 모델은 다양한 플랫폼에 걸쳐 유연하게 배포할 수 있도록 설계되었습니다:

  • 엣지 장치: TensorRT, ONNX 또는 OpenVINO를 사용하여 NVIDIA Jetson 또는 Intel Neural Compute Stick과 같은 장치에서 추론을 최적화합니다.
  • 모바일: 모델을 TFLite 또는 Core ML로 변환하여 Android 또는 iOS 장치에 배포합니다.
  • 클라우드: 확장 가능한 클라우드 배포를 위해 TensorFlow Serving 또는 PyTorch Serve와 같은 프레임워크를 활용합니다.
  • 웹: ONNX.js 또는 TensorFlow.js를 사용하여 브라우저 내 추론을 구현합니다.

Ultralytics는 배포를 위해 모델을 다양한 형식으로 변환하는 내보내기 기능을 제공합니다. 사용 사례에 가장 적합한 솔루션을 찾으려면 다양한 배포 옵션을 살펴보십시오.

YOLO11과 YOLO26의 차이점은 무엇입니까?

주요 차이점은 다음과 같습니다:

  • 엔드-투-엔드 NMS-프리 추론: YOLO26은 기본적으로 엔드-투-엔드 방식으로, 비최대 억제(NMS) 없이 직접 예측을 생성하여 지연 시간을 줄이고 배포를 단순화합니다.
  • DFL 제거: YOLO26은 Distribution Focal Loss 모듈을 제거하여 내보내기를 단순화하고 엣지 및 저전력 장치와의 호환성을 향상시킵니다.
  • MuSGD 옵티마이저: SGD와 Muon의 하이브리드(Moonshot AI의 Kimi K2에서 영감을 받음)로 더 안정적인 학습과 빠른 수렴을 제공합니다.
  • CPU 성능: YOLO26은 CPU 추론 속도를 최대 43% 향상시켜 GPU가 없는 장치에 이상적입니다.
  • 작업별 최적화: 시맨틱 손실 및 다중 스케일 프로토를 사용한 향상된 분할, 정밀 포즈 추정을 위한 RLE, 각도 손실을 통한 개선된 OBB 디코딩.
  • 작업: 두 모델 모두 통합 프레임워크에서 객체 감지, 인스턴스 분할, 분류, 포즈 추정, 방향성 객체 감지(OBB)를 지원합니다.

기능 및 성능 지표에 대한 심층 비교는 YOLO26 문서 페이지를 방문하십시오.

Ultralytics 오픈소스 프로젝트에 기여하려면 어떻게 합니까?

Ultralytics에 기여하는 것은 프로젝트를 개선하고 실력을 향상시킬 수 있는 좋은 방법입니다. 참여 방법은 다음과 같습니다:

  1. GitHub에서 Ultralytics 저장소를 포크합니다.
  2. 기능 또는 버그 수정을 위한 새 브랜치를 만듭니다.
  3. 변경 사항을 적용하고 모든 테스트가 통과하는지 확인합니다.
  4. 변경 사항에 대한 명확한 설명과 함께 풀 리퀘스트를 제출합니다.
  5. 코드 리뷰 과정에 참여합니다.

버그 보고, 기능 제안, 문서 개선을 통해서도 기여할 수 있습니다. 자세한 지침 및 모범 사례는 기여 가이드를 참조하십시오.

Python에서 Ultralytics 패키지를 설치하려면 어떻게 합니까?

Python에서 Ultralytics 패키지를 설치하는 것은 간단합니다. 터미널 또는 명령 프롬프트에서 다음 명령을 실행하여 pip를 사용하십시오:

pip install ultralytics

최신 개발 버전을 설치하려면 GitHub 저장소에서 직접 설치하십시오:

pip install git+https://github.com/ultralytics/ultralytics.git

환경별 설치 지침 및 문제 해결 팁은 포괄적인 빠른 시작 가이드를 참조하십시오.

Ultralytics YOLO의 주요 기능은 무엇입니까?

Ultralytics YOLO는 고급 컴퓨터 비전 작업을 위한 풍부한 기능 세트를 갖추고 있습니다:

  • 실시간 감지: 실시간 시나리오에서 객체를 효율적으로 감지하고 분류합니다.
  • 다중 작업 기능: 통합 프레임워크로 객체 감지, 인스턴스 분할, 분류, 포즈 추정을 수행합니다.
  • 사전 학습 모델: 다양한 사용 사례에서 속도와 정확도를 균형 있게 조정하는 다양한 사전 학습 모델에 접근합니다.
  • 사용자 정의 학습: 유연한 학습 파이프라인으로 사용자 정의 데이터셋에서 모델을 쉽게 파인튜닝합니다.
  • 다양한 배포 옵션: TensorRT, ONNX, CoreML 등 다양한 형식으로 모델을 내보내 여러 플랫폼에서 배포합니다.
  • 방대한 문서: 컴퓨터 비전 워크플로를 위한 포괄적인 문서 및 지원 커뮤니티의 혜택을 누립니다.

YOLO 모델의 성능을 향상시키려면 어떻게 합니까?

YOLO 모델 성능을 향상시키는 데는 여러 가지 기법이 있습니다:

  1. 하이퍼파라미터 튜닝: 하이퍼파라미터 튜닝 가이드를 사용하여 다양한 하이퍼파라미터를 실험하여 모델 성능을 최적화합니다.
  2. 데이터 증강: 플립, 스케일, 회전, 색상 조정 등의 기법을 구현하여 학습 데이터셋을 강화하고 모델 일반화를 개선합니다.
  3. 전이 학습: 학습 가이드를 사용하여 사전 학습된 모델을 활용하고 특정 데이터셋에 파인튜닝합니다.
  4. 효율적인 형식으로 내보내기: 내보내기 가이드를 사용하여 TensorRT 또는 ONNX와 같은 최적화된 형식으로 모델을 변환하여 더 빠른 추론을 실현합니다.
  5. 벤치마킹: 벤치마크 모드를 활용하여 추론 속도와 정확도를 체계적으로 측정하고 개선합니다.

Ultralytics YOLO 모델을 모바일 및 엣지 장치에 배포할 수 있습니까?

예, Ultralytics YOLO 모델은 모바일 및 엣지 장치를 포함한 다양한 환경에서의 배포를 지원합니다:

  • 모바일: TFLite 또는 CoreML로 모델을 변환하여 Android 또는 iOS 앱에 원활하게 통합합니다. 플랫폼별 지침은 TFLite 통합 가이드 및 CoreML 통합 가이드를 참조하십시오.
  • 엣지 장치: TensorRT 또는 ONNX를 사용하여 NVIDIA Jetson 또는 기타 엣지 하드웨어에서 추론을 최적화합니다. Edge TPU 통합 가이드는 엣지 배포에 대한 자세한 단계를 제공합니다.

다양한 플랫폼에 걸친 배포 전략에 대한 포괄적인 개요는 배포 옵션 가이드를 참조하십시오.

학습된 Ultralytics YOLO 모델로 추론을 수행하려면 어떻게 합니까?

학습된 Ultralytics YOLO 모델로 추론을 수행하는 것은 간단합니다:

  1. 모델 불러오기:

    from ultralytics import YOLO

model = YOLO("path/to/your/model.pt")

  2. 추론 실행:

    results = model("path/to/image.jpg")

for r in results:
    print(r.boxes)  # print bounding box predictions
    print(r.masks)  # print mask predictions
    print(r.probs)  # print class probabilities

배치 처리, 비디오 추론, 사용자 정의 전처리를 포함한 고급 추론 기법은 자세한 예측 가이드를 참조하십시오.

Ultralytics 사용에 관한 예시와 튜토리얼은 어디서 찾을 수 있습니까?

Ultralytics는 시작하고 도구를 마스터하는 데 도움이 되는 풍부한 리소스를 제공합니다:

  • 📚 공식 문서: 포괄적인 가이드, API 레퍼런스, 모범 사례.
  • 💻 GitHub 저장소: 소스 코드, 예시 스크립트, 커뮤니티 기여.
  • ✍️ Ultralytics 블로그: 심층 기사, 사용 사례, 기술적 인사이트.
  • 💬 커뮤니티 포럼: 다른 사용자와 연결하고, 질문하고, 경험을 공유합니다.
  • 🎥 YouTube 채널: 다양한 Ultralytics 주제에 대한 비디오 튜토리얼, 데모, 웨비나.

이러한 리소스는 Ultralytics 모델을 사용하는 다양한 작업에 대한 코드 예시, 실제 사용 사례, 단계별 가이드를 제공합니다.

추가 지원이 필요하다면 Ultralytics 문서를 참조하거나 GitHub Issues 또는 공식 토론 포럼을 통해 커뮤니티에 문의하십시오.

댓글