Ultralytics YOLO26 모드#
소개#
Ultralytics YOLO26은 단순한 객체 탐지 모델이 아닙니다. 데이터 수집과 모델 학습부터 검증, 배포, 실제 환경에서의 추적에 이르기까지 머신러닝 모델의 전체 라이프사이클을 지원하도록 설계된 다목적 프레임워크입니다. 각 모드는 특정 목적을 수행하며, 다양한 작업과 사용 사례에 필요한 유연성과 효율성을 제공하도록 설계되었습니다.
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#
모델을 최대한 활용하려면 Ultralytics YOLO26이 지원하는 다양한 모드를 이해하는 것이 중요합니다:
- Train 모드: 사용자 지정 데이터셋 또는 사전 로드된 데이터셋으로 모델을 미세 조정합니다.
- Val 모드: 학습 후 체크포인트를 사용하여 모델 성능을 검증합니다.
- Predict 모드: 실제 데이터에서 모델의 예측 기능을 활용합니다.
- Export 모드: 다양한 형식으로 모델 배포에 적합한 모델을 만듭니다.
- Track 모드: 객체 탐지 모델을 실시간 추적 애플리케이션으로 확장합니다.
- Benchmark 모드: 다양한 배포 환경에서 모델의 속도와 정확도를 분석합니다.
이 종합 가이드에서는 각 모드의 개요와 실용적인 정보를 제공하여 YOLO26의 잠재력을 최대한 활용할 수 있도록 돕습니다.
Train#
Train 모드는 사용자 지정 데이터셋으로 YOLO26 모델을 학습하는 데 사용됩니다. 이 모드에서는 지정한 데이터셋과 하이퍼파라미터를 사용하여 모델을 학습합니다. 학습 과정에서는 이미지 속 객체의 클래스와 위치를 정확하게 예측할 수 있도록 모델 파라미터를 최적화합니다. 애플리케이션과 관련된 특정 객체를 인식하는 모델을 만들려면 학습이 필수적입니다.
Val#
Val 모드는 YOLO26 모델 학습 후 모델을 검증하는 데 사용됩니다. 이 모드에서는 검증 세트로 모델을 평가하여 정확도와 일반화 성능을 측정합니다. 검증을 통해 과적합과 같은 잠재적인 문제를 식별하고, 모델 성능을 정량화하는 평균 정밀도(mAP)와 같은 지표를 확인할 수 있습니다. 이 모드는 하이퍼파라미터를 조정하고 전반적인 모델 효과를 개선하는 데 매우 중요합니다.
Predict#
Predict 모드는 학습된 YOLO26 모델을 사용하여 새로운 이미지나 동영상에 대한 예측을 수행합니다. 이 모드에서는 체크포인트 파일에서 모델을 불러온 다음, 사용자가 추론할 이미지나 동영상을 제공할 수 있습니다. 모델은 입력 미디어에서 객체를 식별하고 위치를 찾으므로 실제 환경의 애플리케이션에 사용할 수 있습니다. Predict 모드는 학습된 모델을 실제 문제 해결에 적용하는 출발점입니다.
Export#
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 감지 기능을 확장하여 비디오 프레임이나 라이브 스트림에서 객체를 추적합니다. 이 모드는 감시 시스템이나 자율주행차처럼 객체를 지속적으로 식별해야 하는 애플리케이션에 특히 유용합니다. TrackTrack(기본값), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT, FastTracker의 6가지 트래커를 제공합니다.
벤치마크#
Benchmark 모드는 YOLO26의 다양한 내보내기 형식에서 속도와 정확도를 프로파일링합니다. 이 모드는 모델 크기, 정확도(감지, 세그멘테이션, 포즈, OBB의 경우 mAP50-95, 시맨틱 세그멘테이션의 경우 mIoU, 깊이의 경우 delta1, 분류의 경우 accuracy_top1), ONNX, OpenVINO, TensorRT 등의 형식별 추론 시간에 대한 포괄적인 지표를 제공합니다. 벤치마킹을 통해 배포 환경에서 속도와 정확도에 관한 특정 요구 사항에 따라 최적의 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(교집합 대비 합집합 비율): 예측된 바운딩 박스와 정답 바운딩 박스 간의 겹치는 정도를 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 Benchmark 모드는 ONNX, TensorRT, OpenVINO 등의 다양한 내보내기 형식의 속도와 정확도를 분석하는 데 사용됩니다. 객체 감지를 위한 모델 크기,
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.