Ultralytics YOLO27:

Ultralytics YOLO 자주 묻는 질문(FAQ)#

이 FAQ 섹션에서는 Ultralytics YOLO 리포지토리로 작업할 때 사용자가 마주칠 수 있는 일반적인 질문과 문제를 다룹니다.

FAQ#

  • Ultralytics는 최첨단 객체 감지 및 이미지 세그멘테이션 모델을 전문으로 하는 컴퓨터 비전 AI 기업이며, YOLO(You Only Look Once) 제품군에 중점을 둡니다. 제공하는 기능은 다음과 같습니다:

  • 아니요. YOLO27은 올해 후반 출시를 목표로 최종 R&D를 진행 중이며 정확한 출시일은 아직 정해지지 않았습니다. 본 문서는 출시 후 사용할 수 있는 기능, 사전 벤치마크 및 예시를 미리 보여줍니다. 현재 프로젝트에는 YOLO26을 계속 사용해 주시기 바랍니다.

  • Ultralytics 패키지는 pip를 사용하여 간단하게 설치할 수 있습니다:

    pip install ultralytics

    최신 개발 버전은 GitHub 리포지토리에서 직접 설치합니다:

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

    자세한 설치 지침은 빠른 시작 가이드에서 확인할 수 있습니다.

  • 최소 요구 사항:

    • Python 3.8 이상
    • PyTorch 1.8 이상
    • CUDA 호환 GPU(GPU 가속용)

    권장 설정:

    • Python 3.8 이상
    • PyTorch 1.10 이상
    • CUDA 11.2 이상을 지원하는 NVIDIA GPU
    • RAM 8GB 이상
    • 여유 디스크 공간 50GB 이상(데이터셋 저장 및 모델 학습용)

    일반적인 문제의 해결 방법은 YOLO 일반 문제 페이지를 참조하십시오.

  • 커스텀 YOLO 모델을 학습하려면 다음 단계를 수행합니다:

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

    2. 데이터셋 구조와 클래스를 설명하는 YAML 파일을 생성합니다(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 자세한 가이드는 종합적인 학습 가이드를 참조하십시오.

  • Ultralytics는 다양한 작업을 위한 여러 사전 학습 모델을 제공합니다:

    • 객체 감지: YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
    • 인스턴스 세그멘테이션: YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
    • 시맨틱 세그멘테이션: YOLO26n-sem, YOLO26s-sem, YOLO26m-sem, YOLO26l-sem, YOLO26x-sem
    • 깊이 추정: YOLO26n-depth, YOLO26s-depth, YOLO26m-depth, YOLO26l-depth, YOLO26x-depth
    • 분류: YOLO26n-cls, YOLO26s-cls, YOLO26m-cls, YOLO26l-cls, YOLO26x-cls
    • 포즈 추정: YOLO26n-pose, YOLO26s-pose, YOLO26m-pose, YOLO26l-pose, YOLO26x-pose
    • 방향성 감지(OBB): YOLO26n-obb, YOLO26s-obb, YOLO26m-obb, YOLO26l-obb, YOLO26x-obb

    이러한 모델은 크기와 복잡성이 서로 다르며, 속도와 정확도 사이에서 다양한 절충점을 제공합니다. 프로젝트에 가장 적합한 모델을 찾으려면 전체 사전 학습 모델을 살펴보십시오.

  • 학습된 모델로 추론을 수행하려면 다음과 같이 합니다:

    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 참조하십시오.

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

    • 엣지 디바이스: TensorRT, ONNX 또는 OpenVINO를 사용하여 NVIDIA Jetson 또는 Raspberry Pi와 같은 디바이스에서 추론을 최적화합니다.
    • 모바일: 모델을 LiteRT 또는 Core ML로 변환하여 Android 또는 iOS 디바이스에 배포합니다.
    • 클라우드: 확장 가능한 클라우드 배포를 위해 TensorFlow Serving이나 TorchServe 같은 프레임워크를 활용합니다.
    • 웹: ONNX Runtime Web을 사용하여 브라우저 내 추론을 구현합니다.

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

  • 주요 차이점은 다음과 같습니다:

    • 엔드투엔드 NMS 프리 추론: YOLO26은 nms=False을(를) 활용한 NMS 프리 추론을 제공합니다. 기본 일대다 경로는 정확도를 위해 NMS를 사용합니다.
    • DFL 제거: YOLO26은 Distribution Focal Loss 모듈을 제거하여 export를 간소화하고 엣지 및 저전력 디바이스와의 호환성을 향상합니다.
    • MuSGD Optimizer: 더 안정적인 학습과 빠른 수렴을 위한 SGD와 Muon의 하이브리드 방식입니다(Moonshot AI의 Kimi K2에서 영감을 받았습니다).
    • CPU 성능: YOLO26n은 CPU ONNX 추론(Intel Xeon CPU @ 2.00 GHz)에서 YOLO11n보다 최대 43% 빠르게 실행되므로 GPU가 없는 디바이스에 적합합니다.
    • 작업별 최적화: 시맨틱 loss와 멀티 스케일 proto를 사용한 세그멘테이션 향상, 정밀한 포즈 추정을 위한 RLE, angle loss를 사용한 개선된 OBB 디코딩을 제공합니다.
    • 작업: 두 모델 모두 객체 감지와 인스턴스 세그멘테이션을 지원하며, YOLO26은 조밀한 픽셀 수준 예측을 위한 시맨틱 세그멘테이션과 픽셀별 깊이를 위한 단안 깊이 추정을 추가로 지원합니다. 두 모델 모두 통합 프레임워크에서 분류, 포즈 추정 및 방향성 객체 감지(OBB)를 지원합니다.

    기능과 성능 지표를 심층적으로 비교하려면 YOLO26 문서 페이지를 참조하십시오.

  • Ultralytics에 기여하면 프로젝트를 개선하고 역량을 확장할 수 있습니다. 다음과 같은 방법으로 참여할 수 있습니다:

    1. GitHub에서 Ultralytics 리포지토리를 Fork합니다.
    2. 기능 또는 버그 수정을 위한 새 브랜치를 생성합니다.
    3. 변경 사항을 적용하고 모든 테스트가 통과하는지 확인합니다.
    4. 변경 사항을 명확히 설명한 pull request를 제출합니다.
    5. 코드 리뷰 과정에 참여합니다.

    버그를 보고하거나 기능을 제안하거나 문서를 개선하는 방식으로도 기여할 수 있습니다. 자세한 지침과 모범 사례는 기여 가이드를 참조하십시오.

  • Ultralytics YOLO는 고급 컴퓨터 비전 작업을 위한 다양한 기능을 제공합니다:

    • 실시간 감지: 실시간 시나리오에서 객체를 효율적으로 감지하고 분류합니다.
    • 멀티 태스크 기능: 통합 프레임워크를 사용하여 객체 감지, 인스턴스 세그멘테이션, 시맨틱 세그멘테이션, 단안 깊이 추정, 분류, 포즈 추정 및 방향성 객체 감지(OBB)를 수행합니다.
    • 사전 학습 모델: 다양한 사용 사례에서 속도와 정확도의 균형을 제공하는 여러 사전 학습 모델에 액세스할 수 있습니다.
    • 커스텀 학습: 유연한 학습 파이프라인을 사용하여 커스텀 데이터셋에 맞게 모델을 쉽게 파인튜닝할 수 있습니다.
    • 다양한 배포 옵션: TensorRT, ONNX 및 CoreML과 같은 다양한 형식으로 모델을 export하여 여러 플랫폼에 배포할 수 있습니다.
    • 폭넓은 문서: 종합적인 문서와 지원 커뮤니티를 활용하여 컴퓨터 비전 워크플로를 구축할 수 있습니다.

  • 다음과 같은 여러 기법을 통해 YOLO 모델의 성능을 향상할 수 있습니다:

    1. 하이퍼파라미터 튜닝: 하이퍼파라미터 튜닝 가이드를 참고하여 다양한 하이퍼파라미터를 실험하고 모델 성능을 최적화합니다.
    2. 데이터 증강: flip, scale, rotate 및 색상 조정과 같은 기법을 적용하여 학습 데이터셋을 개선하고 모델의 일반화 성능을 향상합니다.
    3. 전이 학습: 학습 가이드를 사용하여 사전 학습 모델을 활용하고 특정 데이터셋에 맞게 파인튜닝합니다.
    4. 효율적인 형식으로 export: Export 가이드를 사용하여 모델을 TensorRT 또는 ONNX와 같은 최적화된 형식으로 변환하고 추론 속도를 향상합니다.
    5. 벤치마킹: Benchmark 모드를 사용하여 추론 속도와 정확도를 체계적으로 측정하고 개선합니다.

  • Ultralytics는 도구를 시작하고 능숙하게 사용할 수 있도록 다양한 리소스를 제공합니다:

    • 📚 공식 문서: 종합 가이드, API 레퍼런스 및 모범 사례입니다.
    • 💻 GitHub 리포지토리: 소스 코드, 예제 스크립트 및 커뮤니티 기여 자료입니다.
    • ✍️ Ultralytics 블로그: 심층적인 글, 사용 사례 및 기술 인사이트를 제공합니다.
    • 💬 커뮤니티 포럼: 다른 사용자와 소통하고, 질문을 하며, 경험을 공유할 수 있습니다.
    • 🎥 YouTube 채널: 다양한 Ultralytics 주제에 대한 동영상 튜토리얼, 데모 및 웨비나를 제공합니다.

    이러한 리소스는 Ultralytics 모델을 사용하여 다양한 작업을 수행하는 데 필요한 코드 예제, 실제 사용 사례 및 단계별 가이드를 제공합니다.

    추가 지원이 필요한 경우 Ultralytics 문서를 참조하거나 GitHub Issues 또는 공식 토론 포럼을 통해 커뮤니티에 문의하시기 바랍니다.

기여자
GLglenn-jocher18RAraimbekovm3PDpderrenger2LALaughing-q2BOBovey08091AMambitious-octopus1SEsergiuwaxmann1RIRizwanMunawar1

댓글