Ultralytics YOLO26 모드
소개#
Ultralytics YOLO26은 단순한 객체 감지 모델이 아닙니다. Ultralytics 프레임워크는 학습과 검증부터 예측, 내보내기, 추적 및 벤치마킹까지 머신러닝 모델의 전체 수명 주기를 지원합니다. 각 모드는 해당 워크플로에서 특정 목적을 수행합니다.
예정된 YOLO27 지원에 대한 내용은 YOLO27 미리보기를 참조하세요. YOLO27은 곧 출시될 예정이며 아직 사용할 수 없습니다. 이 가이드에서는 출시된 YOLO26 모델을 사용합니다.
시청: Ultralytics 모드 튜토리얼: 학습, 검증, 예측, 내보내기 및 벤치마크.
모드 한눈에 보기#
Ultralytics YOLO26은 다음 모드를 지원합니다:
- Train 모드: 커스텀 또는 기본 제공 데이터셋으로 모델을 학습하거나 파인튜닝합니다.
- Val 모드: 학습 후 모델 성능을 검증합니다.
- Predict 모드: 새 이미지, 비디오 및 스트림에서 모델 추론을 실행합니다.
- Export 모드: 모델 배포에 적합한 형식으로 모델을 변환합니다.
- Track 모드: 비디오 프레임 및 라이브 스트림에서 객체를 실시간으로 추적합니다.
- Benchmark 모드: 다양한 배포 환경에서 모델의 속도와 정확도를 분석합니다.
아래 섹션에서는 각 모드를 요약하고 전체 가이드로 연결합니다.
학습#
Train 모드는 사용자 지정 데이터셋에서 YOLO26 모델을 학습하는 데 사용됩니다. 이 모드에서는 지정된 데이터셋과 하이퍼파라미터를 사용해 모델을 학습합니다. 학습 과정에서는 이미지 내 객체의 클래스와 위치를 정확하게 예측할 수 있도록 모델의 파라미터를 최적화합니다. 애플리케이션과 관련된 특정 객체를 인식하는 모델을 만들려면 학습이 필수적입니다.
검증#
Val 모드는 YOLO26 모델을 학습한 후 검증하는 데 사용됩니다. 이 모드에서는 검증 세트로 모델을 평가해 정확도와 일반화 성능을 측정합니다. 검증은 과적합과 같은 잠재적 문제를 파악하고, 모델 성능을 정량화하는 평균 정밀도(mAP) 등의 지표를 제공합니다. 검증 결과는 하이퍼파라미터 튜닝 및 기타 모델 개선 작업의 지침이 됩니다.
예측#
Predict 모드는 학습된 YOLO26 모델을 사용해 새로운 이미지나 동영상에서 예측을 수행하는 데 사용됩니다. 이 모드에서는 체크포인트 파일에서 모델을 불러온 후 사용자가 이미지나 동영상을 제공해 추론을 수행할 수 있습니다. 모델은 입력 미디어에서 객체를 식별하고 위치를 찾습니다. Predict 모드를 사용하면 학습한 모델을 실제 문제에 적용할 수 있습니다.
내보내기#
Export 모드는 다양한 플랫폼과 장치에 배포할 수 있는 형식으로 YOLO26 모델을 변환합니다. 이 모드에서는 PyTorch 모델을 ONNX, TensorRT 또는 CoreML과 같은 최적화된 형식으로 변환하여 프로덕션 환경에 배포할 수 있습니다. 모델을 export하면 다양한 소프트웨어 애플리케이션이나 하드웨어 장치와 통합할 수 있으며, 성능이 크게 향상되는 경우가 많습니다.
추적#
Track 모드는 YOLO26의 객체 탐지 기능을 확장해 동영상 프레임이나 라이브 스트림에서 객체를 추적합니다. 이 모드는 감시 시스템이나 자율주행 자동차처럼 객체를 지속적으로 식별해야 하는 애플리케이션에 특히 유용합니다. TrackTrack(기본값), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT, FastTracker의 6개 트래커가 포함되어 있습니다.
벤치마크#
벤치마크 모드는 YOLO26의 다양한 내보내기 형식에 대한 속도와 정확도를 측정합니다. 이 모드는 모델 크기, 정확도(객체 탐지, 세그멘테이션, 포즈 및 OBB의 경우 mAP50-95, 시맨틱 세그멘테이션의 경우 mIoU, 깊이 추정의 경우 δ1, 분류의 경우 accuracy_top1), 그리고 ONNX, OpenVINO, TensorRT 등 다양한 형식에서의 추론 시간을 포함한 종합적인 지표를 제공합니다. 벤치마크를 수행하면 배포 환경의 속도와 정확도 요구 사항에 따라 가장 적합한 내보내기 형식을 선택할 수 있습니다.
자주 묻는 질문#
Ultralytics YOLO26으로 맞춤형 객체 감지 모델을 학습하려면 train 모드를 사용합니다. 이미지와 해당 주석 파일이 포함된 YOLO 형식의 데이터셋이 필요합니다. 다음 명령어를 사용하여 학습을 시작하세요:
예제from ultralytics import YOLO # 사전 학습된 YOLO 모델을 불러옵니다(n, s, m, l, x 버전 중 선택 가능). model = YOLO("yolo26n.pt") # 맞춤형 데이터셋으로 학습을 시작합니다. model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)자세한 지침은 Ultralytics 학습 가이드를 참조하세요.
Ultralytics YOLO26은 검증 과정에서 모델 성능을 평가하기 위해 다양한 지표를 사용합니다. 여기에는 다음이 포함됩니다:
- mAP(평균 정밀도): 객체 감지의 정확도를 평가합니다.
- IoU (합집합 대비 교집합): 예측한 바운딩 박스와 정답 바운딩 박스가 얼마나 겹치는지 측정합니다.
- 정밀도 및 재현율: 정밀도는 참 양성 감지 수를 전체 양성 감지 수로 나눈 비율이며, 재현율은 참 양성 감지 수를 실제 양성 전체 수로 나눈 비율입니다.
다음 명령어를 실행하여 검증을 시작할 수 있습니다:
예제from ultralytics import YOLO # 사전 학습된 YOLO 모델 또는 맞춤형 YOLO 모델을 불러옵니다. model = YOLO("yolo26n.pt") # 데이터셋을 검증합니다. model.val(data="path/to/validation.yaml")자세한 내용은 검증 가이드를 참조하세요.
Ultralytics YOLO26은 학습된 모델을 ONNX, TensorRT, CoreML 등의 다양한 배포 형식으로 변환하는 내보내기 기능을 제공합니다. 다음 예제를 사용하여 모델을 내보내세요:
예제from ultralytics import YOLO # 학습된 YOLO 모델을 불러옵니다. model = YOLO("yolo26n.pt") # 모델을 ONNX 형식으로 내보냅니다(필요에 따라 다른 형식을 지정할 수 있습니다). model.export(format="onnx")각 내보내기 형식의 자세한 단계는 내보내기 가이드에서 확인할 수 있습니다.
Ultralytics YOLO26의 벤치마크 모드는 ONNX, TensorRT, OpenVINO 등의 다양한 내보내기 형식에서 속도와 정확도를 분석하는 데 사용됩니다. 모델 크기, 객체 탐지의 mAP50-95, 다양한 하드웨어 구성에서의 추론 시간 등의 지표를 제공하므로 배포 요구 사항에 가장 적합한 형식을 선택할 수 있습니다.
예제from ultralytics.utils.benchmarks import benchmark # GPU에서 벤치마크를 실행합니다(장치 0). # 필요에 따라 모델, 데이터셋, 이미지 크기, 정밀도 등의 매개변수를 조정할 수 있습니다. benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)자세한 내용은 벤치마크 가이드를 참조하세요.
Ultralytics YOLO26의 track 모드를 사용하여 실시간 객체 추적을 수행할 수 있습니다. 이 모드는 객체 감지 기능을 확장하여 비디오 프레임이나 라이브 피드에서 객체를 추적합니다. 다음 예제를 사용하여 추적을 활성화하세요:
예제from ultralytics import YOLO # 사전 학습된 YOLO 모델 로드 model = YOLO("yolo26n.pt") # 비디오에서 객체 추적을 시작합니다. # 라이브 비디오 스트림이나 웹캠 입력을 사용할 수도 있습니다. model.track(source="path/to/video.mp4")자세한 지침은 추적 가이드를 참조하세요.
댓글7
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.
Monkey1GIt
The Chinese web page translation is very bad, for example, "train" should be "训练", but translated into "火车"
And can not switch to English page, click the EN button, will still switch to Chinese page
2
Glenn JocherUltralyticsHey there! 😊 Thanks for bringing this to our attention. We're sorry for the inconvenience caused by the translation errors and the issue with the language switch button. We're constantly working on improving our documentation and its accessibility, including accurate translations.
For the translation issue, we'll look into it and aim to correct those errors, like "train" being incorrectly translated. Your feedback is invaluable in helping us enhance the user experience.
Regarding the language switch issue, we're investigating this and will work on a fix. In the meantime, if you're still unable to switch to the English page, you might try clearing your browser's cache or using a different browser as a temporary workaround.
If you have any more feedback or need further assistance, please don't hesitate to reach out. Thanks for your support and understanding! 🙏
myangel1972
what is the difference between version 8.3.6 and 11?
1
Glenn JocherUltralytics(수정됨)@myangel1972
8.3.6is a release number of theultralyticsPython package, while YOLO11 is a model family. YOLO26 is now the latest and recommended model, offering improved performance across tasks like detection, segmentation, and tracking. For detailed differences, please refer to the release notes on the Ultralytics GitHub page.myangel1972
thanks a lot for your quickly reply!but I still have a question,on the right top of this page,there is a tag with 8.3.7(yesterday it was 8.3.6), so i am confused that what is the relatonship between 8.3.7 and yolo 11?
Glenn JocherUltralytics(수정됨)@myangel1972 version numbers like 8.3.7 are releases of the
ultralyticspackage (which supports YOLOv8, YOLO11 and later models), including improvements and bug fixes. YOLO11 is a separate model family released in that package line, so the two numbers are not comparable.1myangel1972
Thanks a lot! Now I understand it very clearly! Great Job!
