콘텐츠로 건너뛰기

Ultralytics YOLO 자주 묻는 질문(FAQ)

이 FAQ 섹션에서는 사용자가 다음과 같이 작업하는 동안 발생할 수 있는 일반적인 질문과 문제를 다룹니다. Ultralytics YOLO 리포지토리로 작업할 때 발생할 수 있는 일반적인 질문에 대한 답변입니다.

자주 묻는 질문

Ultralytics 란 무엇이며 어떤 기능을 제공하나요?

Ultralytics 는 첨단 객체 감지 및 이미지 분할 모델을 전문으로 하는 컴퓨터 비전 AI 회사로, YOLO (You Only Look Once) 제품군에 중점을 두고 있습니다. 제공하는 제품은 다음과 같습니다:

Ultralytics 패키지는 어떻게 설치하나요?

Ultralytics 패키지는 pip를 사용하여 간단하게 설치할 수 있습니다:

pip install ultralytics

최신 개발 버전의 경우 GitHub 리포지토리에서 직접 설치하세요:

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 무엇인가요?

최소 요구 사항:

  • Python 3.7+
  • PyTorch 1.7+
  • CUDA-호환 GPU ( GPU 가속용)

권장 설정:

  • Python 3.8+
  • PyTorch 1.10+
  • NVIDIA GPU CUDA 11.2 이상
  • 8GB+ RAM
  • 50GB 이상의 디스크 여유 공간(데이터 세트 저장 및 모델 학습용)

일반적인 문제를 해결하려면 YOLO 일반적인 문제 페이지를 참조하세요.

자체 데이터 세트에서 사용자 지정 YOLO 모델을 훈련하려면 어떻게 해야 하나요?

사용자 지정 YOLO 모델을 훈련합니다:

  1. 데이터 집합을 YOLO 형식으로 준비합니다(이미지 및 해당 레이블 txt 파일).
  2. 데이터 세트 구조와 클래스를 설명하는 YAML 파일을 만듭니다.
  3. 다음 Python 코드를 사용하여 교육을 시작하세요:
from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.yaml")  # build a new model from scratch
model = YOLO("yolov8n.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 교육 옵션을 포함한 보다 심층적인 가이드는 종합 교육 가이드를 참조하세요.

Ultralytics 에서 어떤 사전 학습된 모델을 사용할 수 있나요?

Ultralytics 다양한 작업을 위해 사전 학습된 다양한 모델을 제공합니다:

  • 물체 감지: YOLO11n, YOLO11s, YOLO11m, YOLO11l, YOLO11x
  • 인스턴스 세분화: YOLO11n-seg, YOLO11s-seg, YOLO11m-seg, YOLO11l-seg, YOLO11x-seg
  • 분류: YOLO11n-cls, YOLO11s-cls, YOLO11m-cls, YOLO11l-cls, YOLO11x-cls
  • 포즈 추정: YOLO11n-pose, YOLO11s-pose, YOLO11m-pose, YOLO11l-pose, YOLO11x-pose

이러한 모델은 크기와 복잡성이 다양하며 속도와 정확성 사이에서 다양한 절충안을 제공합니다. 사전 학습된 모든 모델을 살펴보고 프로젝트에 가장 적합한 모델을 찾아보세요.

학습된 Ultralytics 모델을 사용하여 추론을 수행하려면 어떻게 해야 하나요?

학습된 모델을 사용하여 추론을 수행합니다:

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

일괄 처리 및 동영상 추론을 포함한 고급 추론 옵션에 대해서는 자세한 예측 가이드를 참조하세요.

Ultralytics 모델을 엣지 디바이스 또는 프로덕션 환경에 배포할 수 있나요?

물론입니다! Ultralytics 모델은 다양한 플랫폼에서 다용도로 배포할 수 있도록 설계되었습니다:

  • 엣지 디바이스: TensorRT , ONNX, 또는 OpenVINO 를 사용하여 NVIDIA Jetson 또는 Intel Neural Compute Stick과 같은 장치에서 추론을 최적화합니다.
  • 모바일: 모바일: Android 또는 iOS 디바이스에서 모델을 TFLite 또는 Core ML로 변환하여 배포하세요.
  • Cloud: 다음과 같은 프레임워크 활용 TensorFlow Serving 또는 PyTorch 서브와 같은 프레임워크를 활용하여 확장 가능한 클라우드 배포를 수행하세요.
  • Web: ONNX .js 또는 TensorFlow.js를 사용하여 브라우저 내 추론을 구현합니다.

Ultralytics 는 배포를 위해 모델을 다양한 형식으로 변환할 수 있는 내보내기 기능을 제공합니다. 다양한 배포 옵션을 살펴보고 사용 사례에 가장 적합한 솔루션을 찾아보세요.

YOLOv8 와 YOLO11 의 차이점은 무엇인가요?

주요 차이점은 다음과 같습니다:

  • 아키텍처: YOLO11 백본 및 헤드 디자인이 개선되어 성능이 향상되었습니다.
  • 성능: YOLO11 은 일반적으로 YOLOv8 에 비해 정확도와 속도가 우수합니다.
  • 효율성: YOLO11m은 YOLOv8m 22% 적은 파라미터로 COCO 데이터 세트에서 더 높은 평균 평균 정밀도(mAP)를 달성합니다.
  • 작업: 두 모델 모두 통합 프레임워크에서 객체 감지, 인스턴스 세분화, 분류 및 포즈 추정을 지원합니다.
  • 코드베이스: YOLO11 는 보다 모듈화되고 확장 가능한 아키텍처로 구현되어 사용자 지정 및 확장이 용이합니다.

기능 및 성능 메트릭에 대한 자세한 비교는 YOLO11 문서 페이지에서 확인하세요.

Ultralytics 오픈소스 프로젝트에 기여하려면 어떻게 해야 하나요?

Ultralytics 에 기여하는 것은 프로젝트를 개선하고 자신의 기술을 확장할 수 있는 좋은 방법입니다. 참여 방법은 다음과 같습니다:

  1. GitHub의 Ultralytics 리포지토리를 포크합니다.
  2. 기능 또는 버그 수정을 위한 새 브랜치를 만드세요.
  3. 변경 사항을 적용하고 모든 테스트가 통과되었는지 확인하세요.
  4. 변경 사항에 대한 명확한 설명과 함께 풀 리퀘스트를 제출하세요.
  5. 코드 검토 프로세스에 참여하세요.

버그를 신고하거나 기능을 제안하거나 문서를 개선하는 방식으로도 기여할 수 있습니다. 자세한 가이드라인과 모범 사례는 기여 가이드를 참조하세요.

Python 에 Ultralytics 패키지를 설치하려면 어떻게 하나요?

Python 에 Ultralytics 패키지를 설치하는 방법은 간단합니다. 터미널 또는 명령 프롬프트에서 다음 명령을 실행하여 pip를 사용합니다:

pip install ultralytics

최신 개발 버전의 경우 GitHub 리포지토리에서 직접 설치하세요:

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

환경별 설치 지침 및 문제 해결 팁은 종합 빠른 시작 가이드를 참조하세요.

Ultralytics YOLO 의 주요 기능은 무엇인가요?

고급 컴퓨터 비전 작업을 위한 풍부한 기능을 자랑하는 Ultralytics YOLO :

  • 실시간 감지: 실시간 시나리오에서 개체를 효율적으로 감지하고 분류합니다.
  • 멀티태스크 기능: 통합 프레임워크로 객체 감지, 인스턴스 세분화, 분류, 포즈 추정을 수행하세요.
  • 사전 학습된 모델: 다양한 사용 사례에 맞게 속도와 정확성의 균형을 맞추는 사전 학습된 다양한 모델에 액세스하세요.
  • 사용자 지정 교육: 유연한 학습 파이프라인으로 사용자 지정 데이터 세트에서 모델을 쉽게 미세 조정할 수 있습니다.
  • 폭넓은 배포 옵션: 다양한 플랫폼에 배포할 수 있도록 TensorRT, ONNX, CoreML 와 같은 다양한 형식으로 모델을 내보낼 수 있습니다.
  • 광범위한 문서: 컴퓨터 비전 여정을 안내하는 포괄적인 문서와 지원 커뮤니티의 이점을 활용하세요.

YOLO 모델의 성능을 개선하려면 어떻게 해야 하나요?

YOLO 모델의 성능 향상은 몇 가지 기술을 통해 달성할 수 있습니다:

  1. 하이퍼파라미터 튜닝: 하이퍼파라미터 튜닝 가이드를 사용하여 다양한 하이퍼파라미터를 실험하여 모델 성능을 최적화할 수 있습니다.
  2. 데이터 증강: 뒤집기, 크기 조정, 회전, 색상 조정과 같은 기술을 구현하여 학습 데이터 세트를 향상하고 모델 일반화를 개선하세요.
  3. 전이 학습: 학습 가이드를 사용하여 사전 학습된 모델을 활용하고 특정 데이터 세트에 맞게 미세 조정하세요.
  4. 효율적인 형식으로 내보내기: 내보내기 가이드를 사용하여 모델을 TensorRT 또는 ONNX 같은 최적화된 형식으로 변환하면 추론 속도가 빨라집니다.
  5. 벤치마킹: 벤치마크 모드를 활용하여 추론 속도와 정확도를 체계적으로 측정하고 개선하세요.

모바일 및 엣지 디바이스에 Ultralytics YOLO 모델을 배포할 수 있나요?

예, Ultralytics YOLO 모델은 모바일 및 엣지 디바이스를 포함한 다양한 배포를 위해 설계되었습니다:

  • 모바일: Android 또는 iOS 앱에 원활하게 통합하려면 모델을 TFLite 또는 CoreML 로 변환하세요. 플랫폼별 지침은 TFLite 통합 가이드 및 CoreML 통합 가이드를 참조하세요.
  • 엣지 장치: TensorRT 또는 ONNX 을 사용하여 NVIDIA Jetson 또는 기타 엣지 하드웨어와 같은 장치에서 추론을 최적화하세요. 엣지 TPU 통합 가이드에서는 엣지 배포에 대한 자세한 단계를 제공합니다.

다양한 플랫폼에 걸친 배포 전략에 대한 종합적인 개요는 배포 옵션 가이드를 참조하세요.

학습된 Ultralytics YOLO 모델을 사용하여 추론을 수행하려면 어떻게 해야 하나요?

훈련된 Ultralytics YOLO 모델을 사용하여 추론을 수행하는 것은 간단합니다:

  1. 모델을 로드합니다:

    from ultralytics import YOLO

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

  2. 추론을 실행합니다:

    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

일괄 처리, 동영상 추론, 사용자 지정 전처리 등 고급 추론 기법에 대해서는 자세한 예측 가이드를 참조하세요.

Ultralytics 사용 예제 및 튜토리얼은 어디에서 찾을 수 있나요?

Ultralytics 는 도구를 시작하고 숙달하는 데 도움이 되는 다양한 리소스를 제공합니다:

이러한 리소스에서는 Ultralytics 모델을 사용하는 다양한 작업에 대한 코드 예제, 실제 사용 사례 및 단계별 가이드를 제공합니다.

추가 도움이 필요하면 주저하지 말고 Ultralytics 문서를 참조하거나 GitHub 이슈 또는 공식 토론 포럼을 통해 커뮤니티에 문의하세요.

📅1 년 전 생성됨 ✏️ 업데이트됨 8 일 전
글렌-조처 리즈완무나와르 울트라 애널리틱스 어시스턴트

댓글