Link to this sectionUltralytics YOLO26 모드#
Link to this section소개#
Ultralytics YOLO26은 단순한 객체 탐지 모델이 아닙니다. 이는 머신 러닝 모델의 데이터 수집부터 학습, 검증, 배포 및 실시간 추적에 이르는 전체 수명 주기를 다루도록 설계된 다목적 프레임워크입니다. 각 모드는 특정 목적을 수행하며, 다양한 작업과 사용 사례에 필요한 유연성과 효율성을 제공하도록 엔지니어링되었습니다.
Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.
Link to this section모드 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 모델 배포 준비를 마칩니다.
- 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.
Link to this sectionTrain#
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.
Link to this sectionVal#
Val 모드는 학습된 YOLO26 모델을 검증하는 데 사용됩니다. 이 모드에서 모델은 정확도와 일반화 성능을 측정하기 위해 검증 세트에서 평가됩니다. 검증은 과적합과 같은 잠재적인 문제를 식별하는 데 도움이 되며, 모델 성능을 정량화하기 위해 mean Average Precision (mAP)과 같은 지표를 제공합니다. 이 모드는 하이퍼파라미터를 조정하고 전체적인 모델 효율성을 개선하는 데 매우 중요합니다.
Link to this sectionPredict#
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.
Link to this sectionExport#
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.
Link to this sectionTrack#
Track 모드는 YOLO26의 객체 탐지 기능을 확장하여 비디오 프레임이나 라이브 스트림 전반에서 객체를 추적합니다. 이 모드는 surveillance systems이나 self-driving cars와 같이 지속적인 객체 식별이 필요한 애플리케이션에 특히 유용합니다. Track 모드는 BoT-SORT(기본값) 및 ByteTrack과 같은 정교한 추적기를 구현하여 객체가 일시적으로 시야에서 사라지더라도 프레임 전체에서 객체 ID를 유지합니다.
Link to this sectionBenchmark#
Benchmark 모드는 YOLO26을 위한 다양한 내보내기 형식의 속도와 정확도를 프로파일링합니다. 이 모드는 모델 크기, 정확도(탐지 작업의 경우 mAP50-95, 분류 작업의 경우 accuracy_top1) 및 ONNX, OpenVINO, TensorRT와 같은 다양한 형식 전반의 추론 시간에 대한 포괄적인 지표를 제공합니다. 벤치마킹은 배포 환경에서의 속도와 정확도에 대한 귀하의 특정 요구사항에 따라 최적의 내보내기 형식을 선택하는 데 도움이 됩니다.
Link to this sectionFAQ#
Link to this sectionUltralytics YOLO26으로 사용자 정의 객체 탐지 모델을 어떻게 학습시키나요?#
Ultralytics YOLO26으로 사용자 정의 객체 탐지 모델을 학습하려면 train 모드를 사용해야 합니다. 이미지와 해당하는 주석 파일이 포함된 YOLO 형식으로 구성된 데이터셋이 필요합니다. 학습 프로세스를 시작하려면 다음 명령어를 사용하십시오.
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 학습 가이드를 참조하십시오.
Link to this sectionUltralytics YOLO26은 모델 성능을 검증하기 위해 어떤 지표를 사용하나요?#
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.
- 정밀도(Precision) 및 재현율(Recall): 정밀도는 전체 탐지된 양성 중 실제 양성 탐지 비율을 측정하며, 재현율은 실제 전체 양성 중 실제 양성 탐지 비율을 측정합니다.
다음 명령어를 실행하여 검증을 시작할 수 있습니다.
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 검증 가이드를 참조하십시오.
Link to this section배포를 위해 YOLO26 모델을 어떻게 내보내나요?#
Ultralytics YOLO26은 학습된 모델을 ONNX, TensorRT, CoreML 등과 같은 다양한 배포 형식으로 변환할 수 있는 내보내기 기능을 제공합니다. 모델을 내보내려면 다음 예제를 사용하십시오.
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 내보내기 가이드에서 확인할 수 있습니다.
Link to this sectionUltralytics YOLO26에서 벤치마크 모드의 목적은 무엇인가요?#
Ultralytics YOLO26의 Benchmark 모드는 ONNX, TensorRT, OpenVINO와 같은 다양한 내보내기 형식의 속도와 정확도를 분석하는 데 사용됩니다. 이는 모델 크기, 객체 탐지를 위한 mAP50-95, 그리고 다양한 하드웨어 설정에서의 추론 시간과 같은 지표를 제공하여 배포 요구사항에 가장 적합한 형식을 선택하도록 돕습니다.
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, half=False, device=0)자세한 내용은 벤치마크 가이드를 참조하십시오.
Link to this sectionUltralytics YOLO26을 사용하여 실시간 객체 추적을 수행하려면 어떻게 해야 하나요?#
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.
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")자세한 지침은 추적 가이드를 방문하십시오.