지원되는 모델 Ultralytics

Ultralytics' 모델 문서에 오신 것을 환영합니다! 저희는 물체 감지, 인스턴스 분할, 이미지 분류, 포즈 추정, 다중 물체 추적과 같은 특정 작업에 맞게 조정된 다양한 모델에 대한 지원을 제공합니다. 모델 아키텍처를 Ultralytics 에 기여하고 싶으시다면 기여 가이드를 확인하세요.

주요 모델

다음은 지원되는 주요 모델 중 일부입니다:

1. YOLOv3: 효율적인 실시간 객체 감지 기능으로 유명한 조셉 레드몬이 개발한 YOLO 모델 제품군의 세 번째 반복 버전입니다.
2. YOLOv4: 알렉세이 보흐코브스키가 2020년에 발표한 YOLOv3의 다크넷 네이티브 업데이트입니다.
3. YOLOv5: YOLO 아키텍처의 개선된 버전으로 이전 버전에 비해 성능과 속도 절충점을 제공하는 Ultralytics.
4. YOLOv6: 메이투안에서 2022년에 출시했으며, 메이투안의 많은 자율 배송 로봇에 사용되고 있습니다.
5. YOLOv7: 업데이트됨 YOLO YOLOv4의 저자가 2022년에 출시한 모델입니다.
6. YOLOv8 신규 🚀: 인스턴스 세분화, 포즈/키포인트 추정, 분류 등 향상된 기능을 갖춘 YOLO 제품군의 최신 버전입니다.
7. YOLOv9: 프로그래밍 가능한 기울기 정보를 구현하는 Ultralytics YOLOv5 프로그래머블 그라데이션 정보(PGI)를 구현하는 코드베이스.
8. 무엇이든 세그먼트 모델 (SAM): 메타의 세그먼트 애니씽 모델 (SAM).
9. 모바일 세그먼트 애니씽 모델 (MobileSAM)MobileSAM , 경희대학교 모바일 애플리케이션.
10. 빠른 세그먼트 무엇이든 모델 (FastSAM)FastSAM 중국과학원 자동화연구소 이미지 및 비디오 분석 그룹에서 제공.
11. YOLO-NAS: YOLO 신경 아키텍처 검색(NAS) 모델.
12. 실시간 감지 트랜스포머 (RT-DETR): 바이두의 PaddlePaddle 실시간 감지 트랜스포머 (RT-DETR) 모델.
13. YOLO-세계: 실시간 개방형 어휘 개체 감지 모델: Tencent AI Lab.

Watch: 몇 줄의 코드만으로 Ultralytics YOLO 모델을 실행하세요.

시작하기: 사용 예시

이 예는 간단한 YOLO 학습 및 추론 예제를 제공합니다. 이러한 모드 및 기타 모드에 대한 전체 설명서는 예측, 학습, Val 및 내보내기 문서 페이지를 참조하세요.

아래 예시는 YOLOv8 객체 감지 모델에 대한 예시입니다. 추가로 지원되는 작업은 세그먼트, 분류 및 포즈 문서를 참조하세요.

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')

# 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

새로운 모델 기여하기

Ultralytics 에 모델 기고에 관심이 있으신가요? 좋아요! 모델 포트폴리오를 확장할 수 있는 기회는 언제나 열려 있습니다.

1. 리포지토리 포크: Ultralytics GitHub 리포지토리를 포크하여 시작하세요.

2. 포크 복제: 포크를 로컬 머신에 복제하고 작업할 새 브랜치를 만듭니다.

3. 모델 구현하기: 기여 가이드에 제공된 코딩 표준과 가이드라인에 따라 모델을 추가하세요.

4. 철저하게 테스트하세요: 모델을 개별적으로 또는 파이프라인의 일부로 엄격하게 테스트해야 합니다.

5. 풀 리퀘스트를 만듭니다: 모델에 만족하면 메인 리포지토리에 풀 리퀘스트를 만들어 검토를 요청하세요.

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

자세한 단계는 기여 가이드를 참조하세요.

댓글