콘텐츠로 건너뛰기

Ultralytics에서 지원하는 모델

Ultralytics의 모델 문서에 오신 것을 환영합니다! 당사는 객체 감지, 인스턴스 분할, 이미지 분류, 자세 추정 및 다중 객체 추적과 같은 특정 작업에 맞춘 광범위한 모델을 지원합니다. Ultralytics에 모델 아키텍처를 기여하는 데 관심이 있으시면 기여 가이드를 확인하십시오.

Ultralytics YOLO11 비교 플롯

다음은 지원되는 주요 모델 중 일부입니다.

  1. YOLOv3: 원래 Joseph Redmon이 개발한 YOLO 모델 제품군의 세 번째 버전으로, 효율적인 실시간 객체 감지 기능으로 알려져 있습니다.
  2. YOLOv4: 2020년에 Alexey Bochkovskiy가 릴리스한 YOLOv3의 darknet 네이티브 업데이트입니다.
  3. YOLOv5: Ultralytics에서 개발한 YOLO 아키텍처의 개선된 버전으로, 이전 버전에 비해 더 나은 성능과 속도 균형을 제공합니다.
  4. YOLOv6: 2022년에 Meituan에서 릴리스했으며, 회사의 많은 자율 배달 로봇에 사용되고 있습니다.
  5. YOLOv7: YOLOv4의 제작자가 2022년에 발표한 업데이트된 YOLO 모델입니다. 추론만 지원됩니다.
  6. YOLOv8: 인스턴스 분할, 자세/키포인트 추정, 분류와 같은 향상된 기능을 제공하는 다재다능한 모델입니다.
  7. YOLOv9: PGI(Programmable Gradient Information)를 구현하는 Ultralytics YOLOv5 코드베이스에서 훈련된 실험적 모델입니다.
  8. YOLOv10: 칭화대학교에서 개발되었으며, NMS-free 훈련과 효율성-정확도 기반 아키텍처를 특징으로 하며, 최첨단 성능과 짧은 지연 시간을 제공합니다.
  9. YOLO11 🚀 NEW: Ultralytics의 최신 YOLO 모델은 감지, 분할, 포즈 추정, 추적 및 분류를 포함한 여러 작업에서 최첨단(SOTA) 성능을 제공합니다.
  10. Segment Anything Model (SAM): Meta의 오리지널 Segment Anything Model (SAM)입니다.
  11. Segment Anything Model 2 (SAM2): 비디오 및 이미지를 위한 Meta의 차세대 Segment Anything Model (SAM)입니다.
  12. Mobile Segment Anything Model (MobileSAM): 경희대학교에서 개발한 모바일 애플리케이션용 MobileSAM입니다.
  13. Fast Segment Anything Model (FastSAM): 중국 과학원 자동화 연구소의 Image & Video Analysis Group에서 개발한 FastSAM입니다.
  14. YOLO-NAS: YOLO 신경망 아키텍처 검색 (NAS) 모델.
  15. Realtime Detection Transformers (RT-DETR): Baidu의 PaddlePaddle Realtime Detection Transformer (RT-DETR) 모델입니다.
  16. YOLO-World: Tencent AI Lab의 실시간 개방형 어휘 객체 감지 모델입니다.
  17. YOLOE: 훈련 데이터 외의 임의의 클래스를 감지하면서 YOLO의 실시간 성능을 유지하는 향상된 개방형 어휘 객체 감지기입니다.



참고: Ultralytics YOLO 모델을 단 몇 줄의 코드로 실행하십시오.

시작하기: 사용 예시

이 예제는 간단한 YOLO 훈련 및 추론 예제를 제공합니다. 이러한 모드 및 기타 모드에 대한 전체 설명서는 Predict, Train, Val 및 Export 문서 페이지를 참조하십시오.

아래 예제는 객체 감지를 위한 YOLOv8 Detect 모델에 대한 것입니다. 추가 지원되는 작업은 Segment, Classify 및 Pose 문서를 참조하십시오.

예시

PyTorch 사전 훈련된 *.pt 모델과 구성 *.yaml 파일을 다음으로 전달하여 YOLO(), SAM(), NAS() 및 RTDETR() Python에서 모델 인스턴스를 생성하는 클래스:

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv8n model
model = YOLO("yolov8n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLOv8n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

모델을 직접 실행하는 데 사용할 수 있는 CLI 명령은 다음과 같습니다.

# Load a COCO-pretrained YOLOv8n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv8n model and run inference on the 'bus.jpg' image
yolo predict model=yolov8n.pt source=path/to/bus.jpg

새 모델 기여

Ultralytics에 모델을 기여하는 데 관심이 있으십니까? 좋습니다! 모델 포트폴리오 확장에 항상 열려 있습니다.

  1. 리포지토리 포크: Ultralytics GitHub 리포지토리를 포크하여 시작하십시오.

  2. 포크 복제: 포크를 로컬 시스템에 복제하고 작업할 새 분기를 만드십시오.

  3. 모델 구현: 기여 가이드에 제공된 코딩 표준 및 지침에 따라 모델을 추가하십시오.

  4. 철저한 테스트: 모델을 격리된 상태와 파이프라인의 일부로 철저히 테스트하십시오.

  5. Pull Request 생성: 모델에 만족하면 검토를 위해 메인 리포지토리에 풀 요청을 생성하십시오.

  6. 코드 검토 및 병합: 검토 후 모델이 기준을 충족하면 메인 리포지토리에 병합됩니다.

자세한 단계는 기여 가이드를 참조하십시오.

FAQ

객체 감지를 위해 Ultralytics YOLO11을 사용하는 주요 장점은 무엇입니까?

Ultralytics YOLO11은 실시간 객체 탐지, 인스턴스 분할, 자세 추정 및 분류와 같은 향상된 기능을 제공합니다. 최적화된 아키텍처는 정확도를 희생하지 않고 고속 성능을 보장하므로 다양한 AI 도메인에서 다양한 애플리케이션에 이상적입니다. YOLO11은 YOLO11 문서 페이지에 자세히 설명된 대로 향상된 성능과 추가 기능을 통해 이전 버전을 기반으로 합니다.

사용자 정의 데이터로 YOLO 모델을 학습시키려면 어떻게 해야 합니까?

Ultralytics 라이브러리를 사용하면 사용자 정의 데이터에 대한 YOLO 모델 학습을 쉽게 수행할 수 있습니다. 다음은 간단한 예입니다.

예시

from ultralytics import YOLO

# Load a YOLO model
model = YOLO("yolo11n.pt")  # or any other YOLO model

# Train the model on custom dataset
results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)

yolo train model=yolo11n.pt data='custom_data.yaml' epochs=100 imgsz=640

자세한 내용은 Train 문서 페이지를 참조하십시오.

Ultralytics에서 지원하는 YOLO 버전은 무엇입니까?

Ultralytics는 YOLOv3부터 YOLO11까지의 광범위한 YOLO (You Only Look Once) 버전을 비롯하여 YOLO-NAS, SAM, RT-DETR과 같은 모델을 지원합니다. 각 버전은 감지, 분할 및 분류와 같은 다양한 작업에 최적화되어 있습니다. 각 모델에 대한 자세한 내용은 Ultralytics에서 지원하는 모델 문서를 참조하십시오.

머신 러닝 프로젝트에 Ultralytics HUB를 사용해야 하는 이유는 무엇입니까?

Ultralytics HUB는 YOLO 모델의 학습, 배포 및 관리를 위한 노코드 엔드 투 엔드 플랫폼을 제공합니다. 복잡한 워크플로우를 간소화하여 사용자가 모델 성능 및 애플리케이션에 집중할 수 있도록 지원합니다. 또한 HUB는 클라우드 학습 기능, 포괄적인 데이터 세트 관리, 초보자와 숙련된 개발자 모두를 위한 사용자 친화적인 인터페이스를 제공합니다.

YOLO11은 어떤 유형의 작업을 수행할 수 있으며, 다른 YOLO 버전과 비교했을 때 어떤 차이가 있나요?

YOLO11은 객체 감지, 인스턴스 분할, 분류 및 포즈 추정을 포함한 작업을 수행할 수 있는 다재다능한 모델입니다. 이전 버전에 비해 YOLO11은 최적화된 아키텍처와 앵커-프리 설계로 인해 속도와 정확도가 크게 향상되었습니다. 더 자세한 비교는 YOLO11 문서와 특정 작업에 대한 자세한 내용은 작업 페이지를 참조하십시오.



📅 1년 전에 생성됨 ✏️ 3개월 전에 업데이트됨
glenn-jocher Laughing-q Y-T-G jk4e MatthewNoyce

댓글