Ultralytics YOLO11 모드

소개

Ultralytics YOLO11 는 단순한 객체 감지 모델이 아니라 데이터 수집과 모델 훈련부터 검증, 배포, 실제 추적에 이르기까지 머신 러닝 모델의 전체 수명 주기를 포괄하도록 설계된 다용도 프레임워크입니다. 각 모드는 특정 목적을 위해 사용되며 다양한 작업과 사용 사례에 필요한 유연성과 효율성을 제공하도록 설계되었습니다.

Watch: Ultralytics 모드 튜토리얼: 훈련, 검증, 예측, 내보내기 및 벤치마크.

모드 살펴보기

모델을 최대한 활용하려면 Ultralytics YOLO11 에서 지원하는 다양한 모드를 이해하는 것이 중요합니다:

• 훈련 모드: 사용자 지정 또는 미리 로드된 데이터 세트에서 모델을 미세 조정합니다.
• Val 모드: 모델 성능을 검증하기 위한 학습 후 체크포인트입니다.
• 예측 모드: 실제 데이터에서 모델의 예측력을 발휘하세요.
• 내보내기 모드: 다양한 형식으로 모델을 배포할 수 있도록 준비합니다.
• 추적 모드: 객체 감지 모델을 실시간 추적 애플리케이션으로 확장할 수 있습니다.
• 벤치마크 모드: 다양한 배포 환경에서 모델의 속도와 정확성을 분석합니다.

이 종합 가이드는 각 모드에 대한 개요와 실용적인 인사이트를 제공하여 YOLO11 의 잠재력을 최대한 활용할 수 있도록 돕는 것을 목표로 합니다.

기차

훈련 모드는 사용자 지정 데이터 세트에서 YOLO11 모델을 훈련하는 데 사용됩니다. 이 모드에서는 지정된 데이터 세트와 하이퍼파라미터를 사용하여 모델을 학습시킵니다. 훈련 과정에는 이미지에서 객체의 클래스와 위치를 정확하게 예측할 수 있도록 모델의 매개변수를 최적화하는 작업이 포함됩니다. 학습은 애플리케이션과 관련된 특정 물체를 인식할 수 있는 모델을 만드는 데 필수적입니다.

열차 예시

Val

Val 모드는 학습이 완료된 YOLO11 모델을 검증하는 데 사용됩니다. 이 모드에서는 유효성 검사 세트에서 모델을 평가하여 정확도와 일반화 성능을 측정합니다. 검증은 과적합과 같은 잠재적인 문제를 식별하는 데 도움이 되며 평균 평균 정밀도 (mAP)와 같은 메트릭을 제공하여 모델 성능을 정량화할 수 있습니다. 이 모드는 하이퍼파라미터를 조정하고 전반적인 모델 효율성을 개선하는 데 매우 중요합니다.

Val 예제

예측

예측 모드는 새로운 이미지 또는 동영상에 대해 학습된 YOLO11 모델을 사용하여 예측하는 데 사용됩니다. 이 모드에서는 체크포인트 파일에서 모델이 로드되며, 사용자는 추론을 수행할 이미지 또는 동영상을 제공할 수 있습니다. 이 모델은 입력 미디어에서 객체를 식별하고 위치를 파악하여 실제 애플리케이션에 사용할 수 있도록 준비합니다. 예측 모드는 학습된 모델을 실제 문제 해결에 적용하기 위한 관문입니다.

예측 예제

내보내기

내보내기 모드는 YOLO11 모델을 다양한 플랫폼과 디바이스에 배포하기에 적합한 형식으로 변환하는 데 사용됩니다. 이 모드는 PyTorch 모델을 ONNX, TensorRT 또는 CoreML 같은 최적화된 포맷으로 변환하여 프로덕션 환경에 배포할 수 있도록 합니다. 내보내기는 모델을 다양한 소프트웨어 애플리케이션 또는 하드웨어 장치와 통합하는 데 필수적이며, 종종 상당한 성능 향상을 가져옵니다.

내보내기 예제

트랙

추적 모드는 YOLO11 객체 감지 기능을 확장하여 비디오 프레임 또는 라이브 스트림에서 객체를 추적할 수 있습니다. 이 모드는 감시 시스템이나 자율 주행 차량과 같이 지속적인 객체 식별이 필요한 애플리케이션에 특히 유용합니다. 추적 모드는 바이트트랙과 같은 정교한 알고리즘을 구현하여 오브젝트가 일시적으로 시야에서 사라지더라도 프레임 전체에 걸쳐 오브젝트 식별을 유지합니다.

트랙 예시

벤치마크

벤치마크 모드는 YOLO11 다양한 내보내기 형식의 속도와 정확도를 프로파일링합니다. 이 모드는 모델 크기, 정확도(탐지 작업의 경우 mAP50-95, 분류의 경우 accuracy_top5), 추론 시간에 대한 종합적인 지표를 ONNX 같은 다양한 형식에 걸쳐 제공합니다, OpenVINO및 TensorRT 같은 형식에 따른 추론 시간. 벤치마킹을 통해 배포 환경의 속도와 정확도에 대한 특정 요구 사항에 따라 최적의 내보내기 형식을 선택할 수 있습니다.

벤치마크 예시

자주 묻는 질문

Ultralytics YOLO11 으로 사용자 지정 객체 감지 모델을 훈련하려면 어떻게 하나요?

Ultralytics YOLO11 으로 사용자 지정 객체 감지 모델을 훈련하려면 훈련 모드를 사용해야 합니다. 이미지와 해당 주석 파일이 포함된 YOLO 형식의 데이터 세트가 필요합니다. 다음 명령을 사용하여 훈련 프로세스를 시작합니다:

from ultralytics import YOLO

# Load a pre-trained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo11n.pt")

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

# Train a YOLO model from the command line
yolo train data=path/to/dataset.yaml epochs=100 imgsz=640

자세한 안내는 Ultralytics 열차 가이드를 참조하세요.

Ultralytics YOLO11 에서는 모델의 성능을 검증하기 위해 어떤 메트릭을 사용하나요?

Ultralytics YOLO11 는 유효성 검사 프로세스 중에 다양한 메트릭을 사용하여 모델 성능을 평가합니다. 여기에는 다음이 포함됩니다:

• mAP(평균 평균 정밀도): 물체 감지의 정확도를 평가합니다.
• IOU(교차점 오버 유니온): 예측된 바운딩 박스와 기준 실측 바운딩 박스 간의 중첩을 측정합니다.
• 정밀도 및 회수율: 정밀도는 총 탐지된 양성 중 실제 양성 탐지 비율을 측정하고, 회수율은 총 실제 양성 중 실제 양성 탐지 비율을 측정합니다.

다음 명령을 실행하여 유효성 검사를 시작할 수 있습니다:

from ultralytics import YOLO

# Load a pre-trained or custom YOLO model
model = YOLO("yolo11n.pt")

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

# Validate a YOLO model from the command line
yolo val data=path/to/validation.yaml

자세한 내용은 유효성 검사 가이드를 참조하세요.

배포를 위해 YOLO11 모델을 내보내려면 어떻게 해야 하나요?

Ultralytics YOLO11 는 학습된 모델을 ONNX, TensorRT, CoreML 등과 같은 다양한 배포 형식으로 변환할 수 있는 내보내기 기능을 제공합니다. 다음 예제를 사용하여 모델을 내보내세요:

from ultralytics import YOLO

# Load your trained YOLO model
model = YOLO("yolo11n.pt")

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

# Export a YOLO model to ONNX format from the command line
yolo export model=yolo11n.pt format=onnx

각 내보내기 형식에 대한 자세한 단계는 내보내기 가이드에서 확인할 수 있습니다.

Ultralytics YOLO11 에서 벤치마크 모드의 목적은 무엇인가요?

Ultralytics YOLO11 의 벤치마크 모드를 사용하여 속도 및 정확성 ONNX, TensorRT, OpenVINO 와 같은 다양한 내보내기 형식의 모델 크기와 같은 메트릭을 제공합니다, mAP50-95 를 통해 다양한 하드웨어 설정에서 객체 감지 및 추론 시간을 비교하여 배포 요구 사항에 가장 적합한 형식을 선택할 수 있습니다.

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="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)

# Benchmark a YOLO model from the command line
# Adjust parameters as needed for your specific use case
yolo benchmark model=yolo11n.pt data='coco8.yaml' imgsz=640 half=False device=0

자세한 내용은 벤치마크 가이드를 참조하세요.

Ultralytics YOLO11 을 사용하여 실시간 객체 추적을 수행하려면 어떻게 해야 하나요?

실시간 객체 추적은 Ultralytics YOLO11 의 추적 모드를 사용하여 수행할 수 있습니다. 이 모드는 객체 감지 기능을 확장하여 비디오 프레임 또는 실시간 피드 전반에서 객체를 추적합니다. 다음 예시를 사용하여 추적을 활성화합니다:

from ultralytics import YOLO

# Load a pre-trained YOLO model
model = YOLO("yolo11n.pt")

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

# Perform object tracking on a video from the command line
# You can specify different sources like webcam (0) or RTSP streams
yolo track source=path/to/video.mp4

자세한 지침은 트랙 가이드를 참조하세요.

📅1 년 전 생성됨 ✏️ 업데이트 4 일 전

댓글