GitHub에서 페이지 수정 (EN)

Ultralytics YOLO 자주 묻는 질문(FAQ)

본 FAQ 섹션은 사용자가 Ultralytics YOLO 리포지토리를 사용하는 동안 겪을 수 있는 일반적인 질문과 문제를 다룹니다.

FAQ

Ultralytics란 무엇이며 어떤 기능을 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:

Ultralytics 패키지는 어떻게 설치합니까?

pip를 사용하여 간단하게 Ultralytics 패키지를 설치할 수 있습니다:

pip install ultralytics

최신 개발 버전을 설치하려면 GitHub 리포지토리에서 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 이상
  • PyTorch 1.8 이상
  • CUDA 호환 GPU (GPU 가속을 사용하는 경우)

권장 사양:

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

일반적인 문제 해결을 위해서는 YOLO 일반 문제 페이지를 방문하십시오.

제 데이터셋으로 사용자 정의 YOLO 모델을 학습시키려면 어떻게 해야 합니까?

사용자 정의 YOLO 모델을 학습시키려면 다음 단계를 따르십시오:

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

  2. 데이터셋 구조와 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 심층 가이드는 포괄적인 학습 가이드를 참조하십시오.

Ultralytics에서 사용 가능한 사전 학습 모델은 무엇입니까?

Ultralytics는 다양한 작업을 위한 광범위한 사전 학습 모델을 제공합니다:

  • 객체 탐지: YOLO26n, YOLO26s, YOLO26m, YOLO26l, YOLO26x
  • Instance Segmentation: YOLO26n-seg, YOLO26s-seg, YOLO26m-seg, YOLO26l-seg, YOLO26x-seg
  • 분류: YOLO26n-cls, YOLO26s-cls, YOLO26m-cls, YOLO26l-cls, YOLO26x-cls
  • 자세 추정: YOLO26n-pose, YOLO26s-pose, YOLO26m-pose, YOLO26l-pose, YOLO26x-pose
  • 방향성 탐지(OBB): YOLO26n-obb, YOLO26s-obb, YOLO26m-obb, YOLO26l-obb, YOLO26x-obb

These models vary in size and complexity, offering different trade-offs between speed and accuracy. Explore the full range of pretrained models to find the best fit for your project.

학습된 Ultralytics 모델을 사용하여 추론을 수행하려면 어떻게 합니까?

학습된 모델로 추론을 수행하려면 다음 단계를 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 자세한 예측 가이드를 확인하십시오.

Ultralytics 모델을 엣지 디바이스나 프로덕션 환경에 배포할 수 있습니까?

네, 물론입니다! Ultralytics 모델은 다양한 플랫폼에서 다목적으로 배포할 수 있도록 설계되었습니다:

  • 엣지 디바이스: TensorRT, ONNX 또는 OpenVINO를 사용하여 NVIDIA Jetson이나 Intel Neural Compute Stick과 같은 디바이스에서 추론을 최적화할 수 있습니다.
  • 모바일: 모델을 TFLite나 Core ML로 변환하여 Android 또는 iOS 디바이스에 배포할 수 있습니다.
  • Cloud: Leverage frameworks like TensorFlow Serving or PyTorch Serve for scalable cloud deployments.
  • 웹: ONNX.js 또는 TensorFlow.js를 사용하여 브라우저 내 추론을 구현할 수 있습니다.

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

YOLO11과 YOLO26의 차이점은 무엇입니까?

주요 차이점은 다음과 같습니다:

  • 엔드투엔드 NMS-Free 추론: YOLO26은 네이티브 엔드투엔드 방식으로, 비최대 억제(NMS) 없이 직접 예측값을 생성하여 지연 시간을 줄이고 배포를 단순화합니다.
  • DFL 제거: YOLO26은 Distribution Focal Loss 모듈을 제거하여 내보내기를 간소화하고 엣지 및 저전력 디바이스와의 호환성을 향상시킵니다.
  • MuSGD 옵티마이저: SGD와 Muon(Moonshot AI의 Kimi K2에서 영감을 받음)을 결합한 하이브리드 방식으로, 더욱 안정적인 학습과 빠른 수렴을 제공합니다.
  • CPU 성능: YOLO26은 최대 43% 더 빠른 CPU 추론을 제공하여 GPU가 없는 디바이스에 이상적입니다.
  • 작업별 최적화: 의미론적 손실(semantic loss) 및 다중 스케일 프로토(multi-scale protos)를 통한 세그멘테이션 강화, 정밀한 자세 추정을 위한 RLE, 그리고 각도 손실을 통한 개선된 OBB 디코딩을 포함합니다.
  • Tasks: Both models support object detection, instance segmentation, classification, pose estimation, and oriented object detection (OBB) in a unified framework.

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

Ultralytics 오픈 소스 프로젝트에 어떻게 기여할 수 있습니까?

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

  1. GitHub에서 Ultralytics 리포지토리를 포크(Fork)합니다.
  2. 기능 또는 버그 수정을 위한 새 브랜치를 생성합니다.
  3. 변경 사항을 적용하고 모든 테스트가 통과하는지 확인합니다.
  4. 변경 사항에 대한 명확한 설명을 포함하여 풀 리퀘스트(PR)를 제출합니다.
  5. 코드 검토 과정에 참여합니다.

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

Python에서 Ultralytics 패키지는 어떻게 설치합니까?

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

pip install ultralytics

최신 개발 버전을 설치하려면 GitHub 리포지토리에서 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 특징은 무엇입니까?

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

  • 실시간 탐지: 실시간 시나리오에서 효율적으로 객체를 탐지하고 분류합니다.
  • 다중 작업 기능: 통합 프레임워크를 통해 객체 탐지, 인스턴스 분할, 분류 및 자세 추정을 수행합니다.
  • 사전 학습 모델: 다양한 사용 사례에서 속도와 정확도의 균형을 맞춘 다양한 사전 학습 모델에 액세스할 수 있습니다.
  • 사용자 정의 학습: 유연한 학습 파이프라인을 통해 사용자 정의 데이터셋으로 모델을 쉽게 미세 조정할 수 있습니다.
  • 광범위한 배포 옵션: 다양한 플랫폼 배포를 위해 모델을 TensorRT, ONNX 및 CoreML과 같은 다양한 형식으로 내보냅니다.
  • 방대한 문서: 컴퓨터 비전 워크플로우를 위해 포괄적인 문서 및 지원 커뮤니티의 혜택을 누리십시오.

YOLO 모델의 성능을 어떻게 향상시킬 수 있습니까?

여러 기술을 통해 YOLO 모델의 성능을 향상시킬 수 있습니다:

  1. 하이퍼파라미터 튜닝: 하이퍼파라미터 튜닝 가이드를 사용하여 다양한 하이퍼파라미터로 실험하고 모델 성능을 최적화하십시오.
  2. 데이터 증강: 반전, 크기 조절, 회전 및 색상 조정과 같은 기술을 구현하여 학습 데이터셋을 보강하고 모델 일반화 성능을 향상시키십시오.
  3. 전이 학습: 사전 학습 모델을 활용하고 학습 가이드를 사용하여 특정 데이터셋에 맞게 미세 조정하십시오.
  4. 효율적인 형식으로 내보내기: 내보내기 가이드를 사용하여 더 빠른 추론을 위해 모델을 TensorRT 또는 ONNX와 같은 최적화된 형식으로 변환하십시오.
  5. 벤치마킹: 벤치마크 모드를 활용하여 추론 속도와 정확도를 체계적으로 측정하고 개선하십시오.

Ultralytics YOLO 모델을 모바일 및 엣지 디바이스에 배포할 수 있습니까?

네, Ultralytics YOLO 모델은 모바일 및 엣지 디바이스를 포함한 다목적 배포를 위해 설계되었습니다:

  • 모바일: Android 또는 iOS 앱에 원활하게 통합하기 위해 모델을 TFLite 또는 CoreML로 변환하십시오. 플랫폼별 지침은 TFLite 통합 가이드 및 CoreML 통합 가이드를 참조하십시오.
  • 엣지 디바이스: TensorRT 또는 ONNX를 사용하여 NVIDIA Jetson 또는 기타 엣지 하드웨어에서 추론을 최적화하십시오. 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 모델을 사용하여 추론을 수행하려면 어떻게 합니까?

학습된 Ultralytics YOLO 모델로 추론을 수행하는 방법은 간단합니다:

  1. 모델 로드:

    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 및 사용자 정의 전처리를 포함한 고급 추론 기술은 자세한 예측 가이드를 참조하십시오.

Ultralytics 사용에 대한 예시와 튜토리얼은 어디서 찾을 수 있습니까?

Ultralytics는 시작을 돕고 도구를 마스터할 수 있는 풍부한 리소스를 제공합니다:

  • 📚 공식 문서: 포괄적인 가이드, API 참조 및 모범 사례.
  • 💻 GitHub 리포지토리: 소스 코드, 예제 스크립트 및 커뮤니티 기여.
  • ✍️ Ultralytics 블로그: 심층적인 기사, 사용 사례 및 기술적 통찰력.
  • 💬 커뮤니티 포럼: 다른 사용자와 소통하고, 질문하고, 경험을 공유하십시오.
  • 🎥 YouTube channel: 다양한 Ultralytics 주제에 대한 비디오 튜토리얼, 데모 및 웨비나를 제공합니다.

이 리소스들은 Ultralytics 모델을 사용한 다양한 작업을 위한 코드 예제, 실제 사용 사례 및 단계별 가이드를 제공합니다.

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

Contributors
GitHub에서 페이지 수정 (EN)
GLglenn-jocher11LALaughing-q2RAraimbekovm1SEsergiuwaxmann1PDpderrenger1RIRizwanMunawar1

댓글