Ultralytics YOLO26 모드#
소개#
Ultralytics YOLO26은 단순한 객체 검출 모델이 아닙니다. 데이터 수집 및 모델 학습부터 검증, 배포, 실시간 트래킹에 이르기까지 머신 러닝 모델의 전체 생명주기를 아우르도록 설계된 다목적 프레임워크입니다. 각 모드는 특정한 목적을 수행하며, 다양한 작업과 유스케이스에 필요한 유연성과 효율성을 제공하도록 엔지니어링되었습니다.
예정된 YOLO27 지원에 대해서는 YOLO27 미리보기를 참조하십시오. YOLO27은 곧 출시될 예정이며 아직 사용할 수 없습니다. 이 가이드는 출시된 YOLO26 모델을 사용합니다.
Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.
모드 한눈에 보기#
Ultralytics YOLO26이 지원하는 다양한 모드를 이해하는 것은 모델을 최대한 활용하는 데 매우 중요합니다.
- Train 모드: 커스텀 데이터셋 또는 사전 로드된 데이터셋으로 모델을 미세 조정합니다.
- Val 모드: 모델 성능을 검증하기 위한 학습 후 체크포인트입니다.
- Predict 모드: 실제 데이터에서 모델의 예측 능력을 발휘합니다.
- Export 모드: 모델 배포가 가능한 다양한 형식으로 변환합니다.
- Track 모드: 객체 검출 모델을 실시간 트래킹 애플리케이션으로 확장합니다.
- Benchmark 모드: 다양한 배포 환경에서 모델의 속도와 정확도를 분석합니다.
이 종합 가이드는 각 모드에 대한 개요와 실용적인 인사이트를 제공하여 YOLO26의 잠재력을 최대한 활용할 수 있도록 돕습니다.
학습#
Train 모드는 커스텀 데이터셋으로 YOLO26 모델을 학습시키는 데 사용됩니다. 이 모드에서는 지정된 데이터셋과 하이퍼파라미터를 사용하여 모델을 학습시킵니다. 학습 과정에는 이미지 내 객체의 클래스와 위치를 정확하게 예측할 수 있도록 모델의 파라미터를 최적화하는 작업이 포함됩니다. 학습은 애플리케이션과 관련된 특정 객체를 인식할 수 있는 모델을 만드는 데 필수적입니다.
Val#
Val 모드는 학습이 완료된 YOLO26 모델을 검증하는 데 사용됩니다. 이 모드에서는 검증 세트에서 모델을 평가하여 정확도와 일반화 성능을 측정합니다. 검증은 과적합과 같은 잠재적 문제를 파악하는 데 도움을 주며, 모델 성능을 정량화하기 위해 평균 정밀도(mAP)와 같은 메트릭을 제공합니다. 이 모드는 하이퍼파라미터를 튜닝하고 전반적인 모델 유효성을 개선하는 데 매우 중요합니다.
예측#
Predict 모드는 새로운 이미지나 비디오에 대해 학습된 YOLO26 모델을 사용하여 예측을 수행하는 데 사용됩니다. 이 모드에서는 체크포인트 파일에서 모델이 로드되며, 사용자는 이미지나 비디오를 제공하여 추론을 수행할 수 있습니다. 모델은 입력 미디어에서 객체를 식별하고 지역화하여 실제 애플리케이션에 바로 사용할 수 있도록 합니다. Predict 모드는 학습된 모델을 적용하여 실무 문제를 해결하는 관문입니다.
내보내기#
Export 모드는 다양한 플랫폼과 디바이스에 배포하기에 적합한 형식으로 YOLO26 모델을 변환하는 데 사용됩니다. 이 모드는 PyTorch 모델을 ONNX, TensorRT, CoreML과 같은 최적화된 형식으로 변환하여 프로덕션 환경에 배포할 수 있게 합니다. 내보내기는 모델을 다양한 소프트웨어 애플리케이션이나 하드웨어 디바이스와 통합하는 데 필수적이며, 종종 상당한 성능 향상으로 이어집니다.
Track#
Track 모드는 YOLO26의 객체 검출 기능을 확장하여 비디오 프레임이나 라이브 스트림에서 객체를 추적합니다. 이 모드는 감시 시스템이나 자율주행 자동차와 같이 지속적인 객체 식별이 필요한 애플리케이션에 특히 유용합니다. TrackTrack(기본값), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT, FastTracker 등 6개의 트래커를 포함합니다.
Benchmark#
Benchmark 모드는 YOLO26의 다양한 내보내기 형식에 대한 속도와 정확도를 프로파일링합니다. 이 모드는 모델 크기, 정확도(검출 작업의 경우 mAP50-95 또는 분류의 경우 accuracy_top1), 그리고 ONNX, OpenVINO, TensorRT 같은 다양한 형식에서의 추론 시간에 대한 종합적인 메트릭을 제공합니다. 벤치마킹을 통해 배포 환경의 속도 및 정확도에 대한 특정 요구사항에 따라 최적의 내보내기 형식을 선택할 수 있습니다.
FAQ#
Ultralytics YOLO26으로 커스텀 객체 검출 모델을 학습하려면 train 모드를 사용해야 합니다. 이미지와 해당 어노테이션 파일이 포함된 YOLO 형식으로 포맷된 데이터셋이 필요합니다. 학습 프로세스를 시작하려면 다음 명령어를 사용하세요.
예시from 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 가이드를 참조하세요.
Ultralytics YOLO26은 모델 성능을 평가하기 위해 검증 과정에서 다양한 메트릭을 사용합니다. 여기에는 다음이 포함됩니다.
- mAP (평균 정밀도): 객체 검출의 정확도를 평가합니다.
- IOU (Intersection over Union): 예측된 바운딩 박스와 정답 바운딩 박스 간의 중첩을 측정합니다.
- Precision 및 Recall: 정밀도는 전체 검출된 양성 중 실제 양성 검출의 비율을 측정하고, 재현율은 전체 실제 양성 중 실제 양성 검출의 비율을 측정합니다.
검증을 시작하려면 다음 명령어를 실행할 수 있습니다.
예시from 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 가이드를 참조하세요.
Ultralytics YOLO26은 학습된 모델을 ONNX, TensorRT, CoreML 등 다양한 배포 형식으로 변환할 수 있는 내보내기 기능을 제공합니다. 모델을 내보내려면 다음 예시를 사용하세요.
예시from 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 가이드에서 확인할 수 있습니다.
Ultralytics YOLO26의 benchmark 모드는 ONNX, TensorRT, OpenVINO와 같은 다양한 내보내기 형식의 속도와 정확도를 분석하는 데 사용됩니다. 모델 크기, 객체 검출을 위한
mAP50-95, 다양한 하드웨어 설정에서의 추론 시간 등의 메트릭을 제공하여 배포 요구사항에 가장 적합한 형식을 선택할 수 있도록 돕습니다.예시from 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 가이드를 참조하세요.
Ultralytics YOLO26의 track 모드를 사용하여 실시간 객체 트래킹을 달성할 수 있습니다. 이 모드는 객체 검출 기능을 확장하여 비디오 프레임이나 라이브 피드에서 객체를 추적합니다. 트래킹을 활성화하려면 다음 예시를 사용하세요.
예시from 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 가이드를 방문하세요.