YOLO Vision 2026:

Ultralytics YOLO26 모드#

Ultralytics YOLO ecosystem and integrations

소개#

Ultralytics YOLO26은 단순한 객체 감지 모델이 아닙니다. 데이터 수집 및 모델 학습부터 검증, 배포, 실시간 트래킹에 이르기까지 machine learning 모델의 전체 라이프사이클을 아우르도록 설계된 다목적 프레임워크입니다. 각 모드는 특정 목적을 수행하며, 다양한 작업과 유스케이스에 필요한 유연성과 효율성을 제공하도록 엔지니어링되어 있습니다.



Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.

모드 개요#

Ultralytics YOLO26이 지원하는 다양한 모드를 이해하는 것은 모델을 최대한 활용하는 데 매우 중요합니다.

  • Train 모드: 사용자 정의 데이터셋 또는 사전 로드된 데이터셋으로 모델을 파인튜닝합니다.
  • Val 모드: 모델 성능을 검증하기 위한 학습 후 체크포인트입니다.
  • Predict 모드: 실제 데이터에서 모델의 예측 능력을 발휘합니다.
  • Export 모드: 다양한 형식으로 model deployment를 준비할 수 있습니다.
  • Track 모드: 객체 탐지 모델을 실시간 추적 애플리케이션으로 확장합니다.
  • Benchmark 모드: 다양한 배포 환경에서 모델의 속도와 정확도를 분석합니다.

이 종합 가이드는 각 모드에 대한 개요와 실용적인 통찰력을 제공하여 YOLO26의 잠재력을 최대한 활용할 수 있도록 돕습니다.

Train#

Train 모드는 사용자 정의 데이터셋으로 YOLO26 모델을 학습하는 데 사용됩니다. 이 모드에서 모델은 지정된 데이터셋과 하이퍼파라미터를 사용하여 학습됩니다. 학습 과정은 모델이 이미지 내 객체의 클래스와 위치를 정확하게 예측할 수 있도록 매개변수를 최적화하는 것을 포함합니다. 학습은 애플리케이션에 관련된 특정 객체를 인식할 수 있는 모델을 만드는 데 필수적입니다.

학습 예제

Val#

Val 모드는 학습이 완료된 YOLO26 모델을 검증하는 데 사용됩니다. 이 모드에서는 검증 세트에서 모델을 평가하여 정확도와 일반화 성능을 측정합니다. 검증은 overfitting 같은 잠재적 문제를 파악하는 데 도움을 주며, 모델 성능을 정량화하기 위해 mean Average Precision (mAP) 등의 지표를 제공합니다. 이 모드는 하이퍼파라미터를 튜닝하고 전반적인 모델 유효성을 개선하는 데 매우 중요합니다.

검증 예제

Predict#

Predict 모드는 학습된 YOLO26 모델을 사용하여 새로운 이미지나 비디오에서 예측을 수행하는 데 사용됩니다. 이 모드에서는 체크포인트 파일로부터 모델이 로드되며, 사용자는 추론을 수행하기 위해 이미지나 비디오를 제공할 수 있습니다. 모델은 입력 미디어에서 객체를 식별하고 위치를 파악하여 실제 애플리케이션에 적용할 준비를 마칩니다. Predict 모드는 학습된 모델을 실제 문제를 해결하는 데 적용하기 위한 관문입니다.

예측 예제

Export#

Export 모드는 YOLO26 모델을 다양한 플랫폼과 기기에 배포하기 적합한 형식으로 변환하는 데 사용됩니다. 이 모드는 PyTorch 모델을 ONNX, TensorRT, CoreML과 같은 최적화된 형식으로 변환하여 프로덕션 환경에서의 배포를 가능하게 합니다. 내보내기는 모델을 다양한 소프트웨어 애플리케이션이나 하드웨어 기기와 통합하는 데 필수적이며, 종종 상당한 성능 향상을 가져옵니다.

내보내기 예제

Track#

Track 모드는 YOLO26의 객체 검출 기능을 확장하여 비디오 프레임이나 라이브 스트림에서 객체를 추적합니다. 이 모드는 surveillance systems 또는 self-driving cars와 같이 지속적인 객체 식별이 필요한 애플리케이션에 특히 유용합니다. TrackTrack (기본값), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT, FastTracker 등 6개의 트래커를 포함합니다.

추적 예제

Benchmark#

Benchmark 모드는 YOLO26의 다양한 내보내기 형식에 대한 속도와 정확도를 프로파일링합니다. 이 모드는 모델 크기, 정확도(감지 작업의 경우 mAP50-95 또는 분류의 경우 accuracy_top1), 그리고 ONNX, OpenVINO, TensorRT 같은 다양한 형식에서의 추론 시간에 대한 포괄적인 지표를 제공합니다. 벤치마킹을 통해 배포 환경의 특정 속도 및 정확도 요구사항에 가장 적합한 내보내기 형식을 선택할 수 있습니다.

벤치마크 예제

FAQ#

  • Ultralytics YOLO26으로 커스텀 객체 감지 모델을 학습하려면 train 모드를 사용해야 합니다. 이미지와 해당 어노테이션 파일이 포함된 YOLO format으로 포맷된 데이터셋이 필요합니다. 학습 과정을 시작하려면 다음 명령어를 사용하세요:

    예시
    from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

    더 자세한 지침은 Ultralytics Train Guide를 참조하세요.

  • Ultralytics YOLO26은 검증 과정 중에 모델 성능을 평가하기 위해 다양한 지표를 사용합니다. 여기에는 다음이 포함됩니다:

    • mAP (mean Average Precision): 객체 탐지의 정확도를 평가합니다.
    • IOU (Intersection over Union): 예측된 경계 상자와 실제 경계 상자 사이의 겹침 정도를 측정합니다.
    • Precision 및 Recall: Precision은 전체 감지된 양성 중 실제 양성의 비율을 측정하며, recall은 전체 실제 양성 중 실제 양성이 감지된 비율을 측정합니다.

    다음 명령어를 실행하여 검증을 시작할 수 있습니다.

    예시
    from ultralytics import YOLO

# Load a pretrained or custom YOLO model
model = YOLO("yolo26n.pt")

# Run validation on your dataset
model.val(data="path/to/validation.yaml")

    자세한 내용은 Validation Guide를 참조하세요.

  • Ultralytics YOLO26은 학습된 모델을 ONNX, TensorRT, CoreML 등과 같은 다양한 배포 형식으로 변환할 수 있는 내보내기 기능을 제공합니다. 모델을 내보내려면 다음 예제를 사용하십시오.

    예시
    from ultralytics import YOLO

# Load your trained YOLO model
model = YOLO("yolo26n.pt")

# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")

    각 내보내기 형식에 대한 자세한 단계는 Export Guide에서 확인할 수 있습니다.

  • Ultralytics YOLO26의 Benchmark 모드는 ONNX, TensorRT, OpenVINO와 같은 다양한 내보내기 형식의 속도와 accuracy를 분석하는 데 사용됩니다. 모델 크기, 객체 감지를 위한 mAP50-95, 그리고 다양한 하드웨어 설정에서의 추론 시간 같은 지표를 제공하여 배포 요구사항에 가장 적합한 형식을 선택하는 데 도움을 줍니다.

    예시
    from ultralytics.utils.benchmarks import benchmark

# Run benchmark on GPU (device 0)
# You can adjust parameters like model, dataset, image size, and precision as needed
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)

    자세한 내용은 Benchmark Guide를 참조하세요.

  • 실시간 객체 추적은 Ultralytics YOLO26의 track 모드를 사용하여 수행할 수 있습니다. 이 모드는 객체 탐지 기능을 확장하여 비디오 프레임이나 라이브 피드에서 객체를 추적합니다. 추적을 활성화하려면 다음 예제를 사용하십시오.

    예시
    from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

    심층적인 지침을 보려면 Track Guide를 방문하세요.

기여자
GLglenn-jocher16RAraimbekovm3ONonuralpszr2MImiles-deans-ultralytics1SEsergiuwaxmann1PDpderrenger1LEleonnil1MAMatthewNoyce1RIRizwanMunawar1

댓글