Ultralytics YOLO27:
Get Started

Ultralytics YOLO 자주 묻는 질문(FAQ)#

이 FAQ 섹션에서는 Ultralytics YOLO 리포지토리를 사용하면서 마주칠 수 있는 일반적인 질문과 문제를 다룹니다.

자주 묻는 질문#

  • Ultralytics는 최첨단 객체 탐지 및 이미지 분할 모델을 전문으로 하는 컴퓨터 비전 AI 기업이며, YOLO(한 번만 보면 된다) 제품군에 중점을 두고 있습니다. 제공하는 제품과 서비스는 다음과 같습니다:

  • 아니요. YOLO27은 올해 말 출시를 목표로 최종 R&D를 진행 중이며, 정해진 출시일은 없습니다. 문서에서는 출시 후 사용할 수 있도록 기능, 예비 벤치마크, 예제를 미리 소개합니다. 현재 프로젝트에는 YOLO26을 계속 사용하세요.

  • pip를 사용하면 Ultralytics 패키지를 간단히 설치할 수 있습니다:

    pip install ultralytics

    최신 개발 버전을 설치하려면 GitHub 리포지토리에서 직접 설치하세요:

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

    자세한 설치 방법은 빠른 시작 가이드에서 확인할 수 있습니다.

  • 최소 요구 사항:

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

    권장 구성:

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

    일반적인 문제의 해결 방법은 YOLO 일반 문제 페이지를 참조하세요.

  • 커스텀 YOLO 모델을 학습하려면 다음 단계를 따르세요:

    1. 데이터셋을 YOLO 형식(이미지와 각 이미지에 해당하는 레이블 txt 파일)으로 준비합니다.

    2. 데이터셋 구조와 클래스를 설명하는 YAML 파일을 만듭니다(데이터셋 YAML 예제 참조).

    3. 다음 Python 코드를 사용하여 학습을 시작합니다:

      from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n.yaml")  # 처음부터 새 모델 빌드
model = YOLO("yolo26n.pt")  # 사전 학습된 모델을 불러옵니다(학습에 권장).

# 모델 학습
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 참조하세요.

  • Ultralytics는 다양한 작업을 위한 여러 사전 학습 모델을 제공합니다:

    • 객체 탐지: YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
    • 인스턴스 분할: YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
    • 시맨틱 분할: 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
    • 자세 추정: YOLO26n-pose, YOLO26s-pose, YOLO26m-pose, YOLO26l-pose, YOLO26x-pose
    • 방향 탐지(OBB): YOLO26n-obb, YOLO26s-obb, YOLO26m-obb, YOLO26l-obb, YOLO26x-obb

    모델마다 크기와 복잡성이 달라 속도와 정확도 사이에서 서로 다른 절충점을 제공합니다. 프로젝트에 가장 적합한 모델을 찾으려면 전체 사전 학습 모델을 살펴보세요.

  • 학습된 모델로 추론을 수행하려면 다음 단계를 따르세요:

    from ultralytics import YOLO

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

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

# 결과를 처리합니다
for r in results:
    print(r.boxes)  # bbox 예측 출력
    print(r.masks)  # 마스크 예측 출력
    print(r.probs)  # 클래스 확률 출력

    배치 처리와 비디오 추론을 포함한 고급 추론 옵션은 자세한 예측 가이드를 참조하세요.

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

    • 엣지 기기: TensorRT, ONNX 또는 OpenVINO를 사용하여 NVIDIA Jetson이나 Raspberry Pi와 같은 기기에서 추론을 최적화합니다.
    • 모바일: 모델을 LiteRT 또는 CoreML로 변환하여 Android 또는 iOS 기기에 배포합니다.
    • 클라우드: TensorFlow Serving 또는 TorchServe와 같은 프레임워크를 활용하여 확장 가능한 클라우드 배포를 구현합니다.
    • Web: 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 살펴보세요.

  • 주요 차이점은 다음과 같습니다.

    • 엔드투엔드 NMS 없는 추론: YOLO26은 nms=False을 사용하여 NMS 없는 추론을 제공합니다. 기본 one-to-many 경로는 정확도를 위해 NMS를 사용합니다.
    • DFL 제거: YOLO26은 Distribution Focal Loss 모듈을 제거하여 export를 간소화하고 엣지 및 저전력 디바이스와의 호환성을 향상합니다.
    • MuSGD 옵티마이저: SGD와 Muon(Moonshot AI의 Kimi K2에서 영감을 얻음)을 결합한 하이브리드 옵티마이저로, 더 안정적인 학습과 빠른 수렴을 지원합니다.
    • CPU 성능: YOLO26n은 CPU ONNX 추론(Intel Xeon CPU @ 2.00 GHz)에서 YOLO11n보다 최대 43% 빠르게 실행되므로 GPU가 없는 디바이스에 적합합니다.
    • 태스크별 최적화: 시맨틱 손실 및 멀티스케일 프로토를 사용한 세그멘테이션 개선, 정밀한 포즈 추정을 위한 RLE, 각도 손실을 적용한 OBB 디코딩 개선이 포함됩니다.
    • 태스크: 두 모델 모두 객체 감지와 인스턴스 세그멘테이션을 지원하며, YOLO26은 픽셀 단위의 조밀한 예측을 위한 시맨틱 세그멘테이션과 픽셀별 깊이를 위한 단안 깊이 추정도 추가로 지원합니다. 두 모델 모두 통합 프레임워크에서 분류, 포즈 추정, 방향성 객체 감지(OBB)도 지원합니다.

    기능과 성능 지표를 자세히 비교하려면 YOLO26 문서 페이지를 참조하세요.

  • Ultralytics에 기여하면 프로젝트를 개선하고 역량을 넓히는 데 도움이 됩니다. 다음 방법으로 참여할 수 있습니다.

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

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

  • Ultralytics YOLO는 고급 컴퓨터 비전 태스크를 위한 다양한 기능을 제공합니다.

    • 실시간 감지: 실시간 환경에서 객체를 효율적으로 감지하고 분류합니다.
    • 멀티태스크 기능: 통합 프레임워크를 사용하여 객체 감지, 인스턴스 세그멘테이션, 시맨틱 세그멘테이션, 단안 깊이 추정, 분류, 포즈 추정, 방향성 객체 감지를 수행합니다(OBB).
    • 사전 학습 모델: 다양한 사용 사례에 맞춰 속도와 정확도의 균형을 갖춘 여러 사전 학습 모델을 사용할 수 있습니다.
    • 커스텀 학습: 유연한 학습 파이프라인을 사용하여 커스텀 데이터셋으로 모델을 손쉽게 파인튜닝할 수 있습니다.
    • 다양한 배포 옵션: TensorRT, ONNX, CoreML 등의 다양한 형식으로 모델을 export하여 여러 플랫폼에 배포할 수 있습니다.
    • 풍부한 문서: 포괄적인 문서와 활발한 커뮤니티를 통해 컴퓨터 비전 워크플로를 지원받을 수 있습니다.

  • 다음과 같은 여러 기법으로 YOLO 모델의 성능을 향상할 수 있습니다.

    1. 하이퍼파라미터 튜닝: 다양한 하이퍼파라미터를 실험하고 하이퍼파라미터 튜닝 가이드를 활용하여 모델 성능을 최적화합니다.
    2. 데이터 증강: 뒤집기, 크기 조정, 회전, 색상 조정 등의 기법을 적용하여 학습 데이터셋을 보강하고 모델의 일반화 성능을 개선합니다.
    3. 전이 학습: 사전 학습 모델을 활용하고 학습 가이드에 따라 특정 데이터셋에 맞게 파인튜닝합니다.
    4. 효율적인 형식으로 export: Export 가이드를 참고하여 모델을 TensorRT 또는 ONNX와 같은 최적화된 형식으로 변환하면 추론 속도를 높일 수 있습니다.
    5. 벤치마킹: 벤치마크 모드를 사용하여 추론 속도와 정확도를 체계적으로 측정하고 개선합니다.

  • Ultralytics는 도구를 시작하고 능숙하게 사용하는 데 도움이 되는 다양한 자료를 제공합니다.

    • 📚 공식 문서: 포괄적인 가이드, API 레퍼런스, 모범 사례를 제공합니다.
    • 💻 GitHub 저장소: 소스 코드, 예제 스크립트, 커뮤니티 기여 내용을 제공합니다.
    • ✍️ Ultralytics 블로그: 심층적인 기사, 사용 사례, 기술 인사이트를 제공합니다.
    • 💬 커뮤니티 포럼: 다른 사용자와 소통하고, 질문하고, 경험을 공유할 수 있습니다.
    • 🎥 YouTube 채널: 다양한 Ultralytics 주제에 관한 비디오 튜토리얼, 데모, 웨비나를 제공합니다.

    이 자료에는 Ultralytics 모델을 사용하는 다양한 태스크의 코드 예제, 실제 사용 사례, 단계별 가이드가 포함되어 있습니다.

    추가 지원이 필요하면 Ultralytics 문서를 참조하거나 GitHub Issues 또는 공식 토론 포럼을 통해 커뮤니티에 문의하세요.

기여자
GLglenn-jocher19RAraimbekovm3PDpderrenger2LALaughing-q2BOBovey08091AMambitious-octopus1SEsergiuwaxmann1RIRizwanMunawar1

댓글