Link to this sectionUltralytics YOLO 자주 묻는 질문(FAQ)#

Q: Ultralytics 모델을 실행하기 위한 시스템 요구 사항은 무엇입니까?

최소 요구 사항: Python 3.8 이상; PyTorch 1.8 이상; CUDA 호환 GPU (GPU 가속용). 권장 사양: Python 3.8 이상; PyTorch 1.10 이상; CUDA 11.2 이상을 지원하는 NVIDIA GPU; 8GB 이상의 RAM; 50GB 이상의 여유 디스크 공간 (데이터셋 저장 및 모델 학습용). 일반적인 문제 해결을 위해서는 YOLO 일반 문제 페이지를 방문하십시오.

이 FAQ 섹션은 사용자가 Ultralytics YOLO 저장소를 작업하면서 마주할 수 있는 일반적인 질문과 문제를 다룹니다.

Link to this sectionFAQ#

Link to this sectionUltralytics란 무엇이며 무엇을 제공합니까?#

Ultralytics is a computer vision AI company specializing in state-of-the-art object detection and image segmentation models, with a focus on the YOLO (You Only Look Once) family. Their offerings include:

YOLO26 (최신 버전) 및 YOLO11 (이전 세대)의 오픈 소스 구현
다양한 컴퓨터 비전 작업을 위한 광범위한 사전 훈련된 모델
프로젝트에 YOLO 모델을 원활하게 통합하기 위한 포괄적인 Python 패키지
모델을 훈련, 테스트 및 배포하기 위한 다목적 도구
광범위한 문서 및 지원 커뮤니티

Link to this sectionUltralytics 패키지는 어떻게 설치합니까?#

pip를 사용하여 Ultralytics 패키지를 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 퀵스타트 가이드에서 확인할 수 있습니다.

Link to this sectionUltralytics 모델을 실행하기 위한 시스템 요구 사항은 무엇입니까?#

최소 요구 사항:

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

권장 사양:

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

일반적인 문제 해결을 위해서는 YOLO 일반 문제 페이지를 방문하십시오.

Link to this section자체 데이터셋으로 맞춤형 YOLO 모델을 어떻게 학습시킬 수 있습니까?#

맞춤형 YOLO 모델을 학습시키려면 다음 단계를 따르십시오:

데이터셋을 YOLO 형식(이미지 및 대응하는 라벨 txt 파일)으로 준비합니다.
데이터셋 구조와 클래스를 기술하는 YAML 파일을 생성합니다( 데이터셋 YAML 예시 참조).

학습을 시작하려면 다음 Python 코드를 사용하십시오:

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 훈련 옵션을 포함한 더 자세한 가이드는 포괄적인 훈련 가이드를 참조하십시오.

Link to this sectionUltralytics에서 사용 가능한 사전 학습된 모델은 무엇입니까?#

Ultralytics는 다양한 작업을 위해 폭넓은 사전 학습된 모델을 제공합니다:

객체 탐지: YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
인스턴스 세분화: YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
의미론적 세분화: YOLO26n-sem, YOLO26s-sem, YOLO26m-sem, YOLO26l-sem, YOLO26x-sem
분류: YOLO26n-cls, YOLO26s-cls, YOLO26m-cls, YOLO26l-cls, YOLO26x-cls
포즈 추정: YOLO26n-pose, YOLO26s-pose, YOLO26m-pose, YOLO26l-pose, YOLO26x-pose
방향성 탐지(OBB): YOLO26n-obb, YOLO26s-obb, YOLO26m-obb, YOLO26l-obb, YOLO26x-obb

이러한 모델들은 크기와 복잡성이 다양하며 속도와 정확도 간에 서로 다른 균형을 제공합니다. 전체 사전 훈련된 모델 범위를 탐색하여 프로젝트에 가장 적합한 모델을 찾아보십시오.

Link to this section학습된 Ultralytics 모델을 사용하여 추론을 수행하려면 어떻게 해야 합니까?#

학습된 모델로 추론을 수행하려면 다음을 따르십시오:

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 상세한 예측 가이드를 확인하십시오.

Link to this sectionUltralytics 모델을 엣지 디바이스나 프로덕션 환경에 배포할 수 있습니까?#

물론입니다! Ultralytics 모델은 다양한 플랫폼에서 유연하게 배포되도록 설계되었습니다:

엣지 디바이스: TensorRT, ONNX 또는 OpenVINO를 사용하여 NVIDIA Jetson이나 Intel Neural Compute Stick과 같은 디바이스에서 추론을 최적화합니다.
모바일: 모델을 TFLite나 Core ML로 변환하여 Android 또는 iOS 디바이스에 배포합니다.
클라우드: 확장 가능한 클라우드 배포를 위해 TensorFlow Serving이나 PyTorch Serve와 같은 프레임워크를 활용합니다.
웹: ONNX.js 또는 TensorFlow.js를 사용하여 브라우저 내 추론을 구현합니다.

Ultralytics는 모델을 배포를 위해 다양한 형식으로 변환하는 내보내기 기능을 제공합니다. 귀하의 사용 사례에 맞는 최적의 솔루션을 찾기 위해 광범위한 배포 옵션을 살펴보십시오.

Link to this sectionYOLO11과 YOLO26의 차이점은 무엇입니까?#

주요 차이점은 다음과 같습니다:

End-to-End NMS-Free 추론: YOLO26은 네이티브로 엔드 투 엔드 방식을 사용하여 NMS(non-maximum suppression) 없이 직접 예측을 생성하므로 지연 시간이 줄어들고 배포가 간소화됩니다.
DFL 제거: YOLO26은 Distribution Focal Loss 모듈을 제거하여 내보내기를 간소화하고 엣지 및 저전력 디바이스와의 호환성을 향상시킵니다.
MuSGD 옵티마이저: SGD와 Muon의 하이브리드(Moonshot AI의 Kimi K2에서 영감을 받음)로, 더 안정적인 학습과 빠른 수렴을 가능하게 합니다.
CPU 성능: YOLO26은 최대 43% 더 빠른 CPU 추론 성능을 제공하여 GPU가 없는 디바이스에 이상적입니다.
작업별 최적화: 의미론적 손실 및 다중 스케일 프로토를 통한 향상된 세분화, 정밀한 포즈 추정을 위한 RLE, 각도 손실을 통한 개선된 OBB 디코딩.
작업: 두 모델 모두 객체 탐지 및 인스턴스 세분화를 지원하며, YOLO26은 고밀도 픽셀 수준 예측을 위한 의미론적 세분화를 추가합니다. 두 모델 모두 통합 프레임워크 내에서 분류, 포즈 추정 및 방향성 객체 탐지(OBB)를 지원합니다.

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

Link to this sectionUltralytics 오픈 소스 프로젝트에 어떻게 기여할 수 있습니까?#

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

GitHub에서 Ultralytics 저장소를 포크(fork)하십시오.
기능이나 버그 수정을 위한 새 브랜치를 생성하십시오.
변경 사항을 적용하고 모든 테스트가 통과하는지 확인하십시오.
변경 사항에 대한 명확한 설명과 함께 풀 리퀘스트(pull request)를 제출하십시오.
코드 검토 과정에 참여하십시오.

버그 보고, 기능 제안 또는 문서 개선을 통해 기여하실 수도 있습니다. 자세한 지침 및 모범 사례는 기여 가이드를 참조하십시오.

Link to this sectionPython에서 Ultralytics 패키지를 어떻게 설치합니까?#

Python에서 Ultralytics 패키지를 설치하는 방법은 간단합니다. 터미널이나 명령 프롬프트에서 다음 명령어를 실행하여 pip를 사용하십시오:

pip install ultralytics

최첨단 개발 버전을 원하시면 GitHub 저장소에서 직접 설치하십시오:

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

환경별 설치 지침 및 문제 해결 팁은 포괄적인 퀵스타트 가이드를 참조하십시오.

Link to this sectionUltralytics YOLO의 주요 기능은 무엇입니까?#

Ultralytics YOLO는 고급 컴퓨터 비전 작업을 위한 풍부한 기능 세트를 자랑합니다:

실시간 탐지: 실시간 시나리오에서 객체를 효율적으로 탐지하고 분류합니다.
다중 작업 기능: 통합 프레임워크를 통해 객체 탐지, 인스턴스 세분화, 의미론적 세분화, 분류, 포즈 추정 및 방향성 객체 탐지(OBB)를 수행합니다.
사전 훈련된 모델: 다양한 사용 사례에 대해 속도와 정확도의 균형을 맞춘 다양한 사전 훈련된 모델에 액세스하십시오.
사용자 지정 훈련: 유연한 훈련 파이프라인을 사용하여 사용자 지정 데이터셋에서 모델을 쉽게 미세 조정할 수 있습니다.
폭넓은 배포 옵션: 모델을 TensorRT, ONNX, CoreML 등 다양한 형식으로 내보내 다양한 플랫폼에 배포하십시오.
광범위한 문서: 귀하의 컴퓨터 비전 워크플로를 위한 포괄적인 문서와 지원 커뮤니티의 혜택을 누리십시오.

Link to this sectionYOLO 모델의 성능을 어떻게 개선할 수 있습니까?#

여러 기술을 통해 YOLO 모델의 성능을 향상시킬 수 있습니다:

하이퍼파라미터 튜닝: 하이퍼파라미터 튜닝 가이드를 사용하여 다양한 하이퍼파라미터로 실험하며 모델 성능을 최적화하십시오.
데이터 증강: 뒤집기, 크기 조절, 회전, 색상 조정과 같은 기술을 구현하여 학습 데이터셋을 보강하고 모델의 일반화 성능을 개선하십시오.
전이 학습: 사전 학습된 모델을 활용하고 학습 가이드를 사용하여 특정 데이터셋에 맞게 미세 조정하십시오.
효율적인 형식으로 내보내기: 내보내기 가이드를 사용하여 모델을 TensorRT나 ONNX와 같은 최적화된 형식으로 변환하여 더 빠른 추론을 구현하십시오.
벤치마킹: 벤치마크 모드를 활용하여 추론 속도와 정확도를 체계적으로 측정하고 개선하십시오.

Link to this sectionUltralytics YOLO 모델을 모바일 및 엣지 디바이스에 배포할 수 있습니까?#

네, Ultralytics YOLO 모델은 모바일 및 엣지 디바이스를 포함한 다양한 환경에 배포되도록 설계되었습니다:

모바일: Android 또는 iOS 앱에 원활하게 통합할 수 있도록 모델을 TFLite 또는 CoreML로 변환하십시오. 플랫폼별 지침은 TFLite 통합 가이드 및 CoreML 통합 가이드를 참조하십시오.
에지 장치: TensorRT 또는 ONNX를 사용하여 NVIDIA Jetson 또는 기타 에지 하드웨어에서 추론을 최적화하십시오. Edge TPU 통합 가이드는 에지 배포를 위한 자세한 단계를 제공합니다.

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

Link to this section학습된 Ultralytics YOLO 모델을 사용하여 추론을 어떻게 수행합니까?#

학습된 Ultralytics YOLO 모델로 추론을 수행하는 방법은 간단합니다:

모델 로드:

from ultralytics import YOLO

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

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 지정 전처리를 포함한 고급 추론 기술은 상세한 예측 가이드를 참조하십시오.

Link to this sectionUltralytics 사용을 위한 예시와 튜토리얼은 어디서 찾을 수 있습니까?#

Ultralytics는 사용자가 시작하고 도구를 마스터할 수 있도록 풍부한 리소스를 제공합니다:

📚 공식 문서: 포괄적인 가이드, API 참조 및 모범 사례.
💻 GitHub 저장소: 소스 코드, 예제 스크립트 및 커뮤니티 기여.
✍️ Ultralytics 블로그: 심층 기사, 사용 사례 및 기술적 통찰력.
💬 커뮤니티 포럼: 다른 사용자와 소통하고, 질문을 남기며, 경험을 공유해 보십시오.
🎥 YouTube 채널: 다양한 Ultralytics 주제에 관한 비디오 튜토리얼, 데모, 웨비나를 제공합니다.

이러한 리소스는 Ultralytics 모델을 사용하는 다양한 작업을 위한 코드 예제, 실제 사용 사례, 단계별 가이드를 제공합니다.

추가적인 도움이 필요하시면 Ultralytics 문서를 참조하거나 GitHub Issues 또는 공식 토론 포럼을 통해 커뮤니티에 문의해 주십시오.

기여자

GLglenn-jocher¹⁴ RAraimbekovm² LALaughing-q² SEsergiuwaxmann¹ PDpderrenger¹ RIRizwanMunawar¹

생성일 2023년 11월 12일업데이트일 4일 전