Ultralytics YOLO를 사용한 모델 예측#

소개#

머신 러닝 및 컴퓨터 비전 분야에서 시각 데이터를 이해하는 과정은 종종 추론(inference) 또는 예측(prediction)이라고 불립니다. Ultralytics YOLO26은 다양한 데이터 소스에서 고성능 실시간 추론에 최적화된 **예측 모드(predict mode)**라는 강력한 기능을 제공합니다.

실제 활용 사례#

제조업	스포츠	안전
차량 예비 부품 탐지	축구 선수 탐지	사람 낙상 탐지

왜 추론을 위해 Ultralytics YOLO를 사용하는가?#

다양한 추론 요구사항에 YOLO26의 예측 모드를 고려해야 하는 이유는 다음과 같습니다:

• 범용성: 이미지, 비디오, 심지어 라이브 스트림에서도 추론을 실행할 수 있습니다.
• 성능: 정확도를 희생하지 않으면서 실시간 고속 처리를 수행하도록 설계되었습니다.
• 사용 편의성: 빠른 배포 및 테스트를 위한 직관적인 Python 및 CLI 인터페이스를 제공합니다.
• 높은 사용자 정의 가능성: 특정 요구사항에 맞춰 모델의 추론 동작을 조정할 수 있는 다양한 설정 및 매개변수를 제공합니다.
• 프로덕션 준비 완료: 자동 확장 및 모니터링 기능을 갖춘 Ultralytics Platform inference endpoints로 모델을 배포하거나 로컬에서 추론을 실행할 수 있습니다.

예측 모드의 주요 특징#

YOLO26의 예측 모드는 강력하고 범용적으로 설계되었으며 다음과 같은 기능을 갖추고 있습니다:

• 다중 데이터 소스 호환성: 데이터가 개별 이미지, 이미지 모음, 비디오 파일, 실시간 비디오 스트림 등 어떤 형태이든 예측 모드에서 지원합니다.
• 스트리밍 모드: 스트리밍 기능을 사용하여 메모리 효율적인 Results 객체 제너레이터를 생성합니다. 예측기의 호출 메서드에서 stream=True을 설정하여 이를 활성화할 수 있습니다. 모든 결과를 포함하는 리스트를 반환하는 기본 동작(stream=False)과 달리, stream=True은 결과를 한 번에 하나씩 생성하므로 긴 비디오 및 라이브 스트림에 특히 유용합니다.
• 배치 처리: 여러 이미지 또는 비디오 프레임을 단일 배치로 처리하여 전체 추론 시간을 더욱 단축합니다.
• 통합 용이성: 유연한 API 덕분에 기존 데이터 파이프라인 및 기타 소프트웨어 구성 요소와 쉽게 통합할 수 있습니다.

Ultralytics YOLO 모델은 추론 중 모델에 stream=True를 전달할 때 Results 객체의 Python 리스트 또는 메모리 효율적인 Results 객체 제너레이터를 반환합니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # pretrained YOLO26n model

# Run batched inference on a list of images
results = model(["image1.jpg", "image2.jpg"])  # return a list of Results objects

# Process results list
for result in results:
    boxes = result.boxes  # Boxes object for bounding box outputs
    masks = result.masks  # Masks object for segmentation masks outputs
    keypoints = result.keypoints  # Keypoints object for pose outputs
    probs = result.probs  # Probs object for classification outputs
    obb = result.obb  # Oriented boxes object for OBB outputs
    result.show()  # display to screen
    result.save(filename="result.jpg")  # save to disk

추론 소스#

YOLO26은 아래 표에 나와 있는 것처럼 추론을 위해 다양한 유형의 입력 소스를 처리할 수 있습니다. 소스에는 정적 이미지, 비디오 스트림 및 다양한 데이터 포맷이 포함됩니다. 또한 이 표는 각 소스를 stream=True 인수와 함께 스트리밍 모드에서 사용할 수 있는지 여부(✅)를 나타냅니다. 스트리밍 모드는 모든 프레임을 메모리에 로드하는 대신 결과 제너레이터를 생성하므로 비디오 또는 라이브 스트림을 처리하는 데 유용합니다.

각 소스 유형을 사용하는 코드 예시는 다음과 같습니다:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Define path to the image file
source = "path/to/image.jpg"

# Run inference on the source
results = model(source)  # list of Results objects

추론 인수#

model.predict()은 기본값을 재정의하기 위해 추론 시 전달할 수 있는 여러 인수를 허용합니다.

고정 형태 대 최소 사각형(rect)#

기본적으로 predict는 **rect=True**을 사용하며, 가능한 경우 최소 사각형(minimum-rectangle) 패딩을 활성화합니다. 이미지는 imgsz 내부에 맞도록 크기가 조정되고 가장 가까운 스트라이드 배수까지만 패딩되므로 최종 텐서는 imgsz보다 작을 수 있습니다. 최소 사각형 패딩은 배치 내 모든 이미지의 형태가 같고 백엔드가 이를 지원하는 경우(PyTorch .pt 또는 동적 ONNX / Triton)에만 사용됩니다. 그렇지 않으면 이미지가 전체 imgsz 타겟으로 패딩됩니다.

항상 전체 imgsz 타겟으로 패딩하려면 **rect=False**을 사용하세요. 이는 내보낸 모델(ONNX, TensorRT 등)과 일치시키기 위해 고정된 입력 크기가 필요할 때 권장됩니다.

정수 대 튜플 imgsz

• 정수 imgsz=640은 스트라이드 반올림 후 정사각형 타겟 (640, 640)이 됩니다.
• 튜플 imgsz=(384, 672)은 직사각형 타겟을 설정합니다. rect=True 및 auto=True를 사용하면 실제 텐서가 이 타겟보다 작을 수 있습니다.

학습 대 예측/내보내기

학습은 단일 정수 imgsz만 허용합니다([h, w] 리스트는 가장 큰 값으로 강제 변환됨). 예측 및 내보내기는 정수 또는 (height, width) 튜플을 모두 허용합니다.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on 'bus.jpg' with arguments
model.predict("https://ultralytics.com/images/bus.jpg", save=True, imgsz=320, conf=0.25)

추론 인수:

시각화 인수:

이미지 및 비디오 형식#

YOLO26은 ultralytics/data/utils.py에 지정된 대로 다양한 이미지 및 비디오 포맷을 지원합니다. 유효한 확장자 및 예시 predict 명령어는 아래 표를 참조하세요.

이미지#

아래 표에는 유효한 Ultralytics 이미지 형식이 포함되어 있습니다.

비디오#

아래 표에는 유효한 Ultralytics 비디오 형식이 포함되어 있습니다.

결과 작업#

모든 Ultralytics predict() 호출은 Results 객체의 리스트를 반환합니다:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
results = model(
    [
        "https://ultralytics.com/images/bus.jpg",
        "https://ultralytics.com/images/zidane.jpg",
    ]
)  # batch inference

Results 객체는 다음과 같은 속성을 가집니다:

작업별 결과#

아래 필드 중 어떤 것이 채워지는지는 모델의 작업에 따라 다릅니다. 아직 선택하지 않았다면 검출, 분할, 시맨틱 분할, 깊이 추정, 분류, 포즈, OBB 비교를 참조하세요. 각 예측은 이미지나 프레임당 하나의 Results 객체를 반환합니다. 위의 공통 필드는 항상 사용 가능한 반면, 작업별 예측 데이터는 아래 필드에 저장됩니다. 좌표, 신뢰도 및 확률 텐서는 하프 정밀도가 사용되지 않는 경우 torch.float32, 사용되는 경우 torch.float16입니다. result.numpy() 이후, 텐서는 일치하는 NumPy dtype을 가진 NumPy 배열이 됩니다. 인스턴스 마스크는 torch.uint8 이진 텐서인 반면, 시맨틱 마스크는 클래스 수에 따라 클래스 ID에 가장 실용적인 정수 dtype(torch.uint8, torch.int16 또는 torch.int32)을 사용합니다.

Results 객체는 다음과 같은 메서드를 가집니다:

자세한 내용은 Results 클래스 문서를 참조하세요.

박스#

Boxes 객체는 바운딩 박스를 인덱싱하고, 조작하고, 다른 포맷으로 변환하는 데 사용할 수 있습니다.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.boxes)  # print the Boxes object containing the detection bounding boxes

다음은 이름, 타입 및 설명을 포함한 Boxes 클래스 메서드 및 속성 표입니다:

자세한 내용은 Boxes 클래스 문서를 참조하세요.

Masks#

Masks 객체는 마스크를 인덱싱하고, 조작하고, 세그먼트로 변환하는 데 사용할 수 있습니다.

from ultralytics import YOLO

# Load a pretrained YOLO26n-seg Segment model
model = YOLO("yolo26n-seg.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.masks)  # print the Masks object containing the detected instance masks

다음은 이름, 타입 및 설명을 포함한 Masks 클래스 메서드 및 속성 표입니다:

자세한 내용은 Masks 클래스 문서를 참조하세요.

SemanticMask#

SemanticMask은 시맨틱 분할 결과를 위해 하나의 조밀한 클래스 맵을 저장합니다. Masks과 달리 객체당 하나의 이진 마스크를 포함하지 않으며 폴리곤 도우미를 제공하지 않습니다.

from ultralytics import YOLO

# Load a pretrained YOLO26n-sem Semantic model
model = YOLO("yolo26n-sem.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.semantic_mask.data)  # print the H x W class-ID map

Keypoints#

Keypoints 객체는 좌표를 인덱싱하고, 조작하고, 정규화하는 데 사용할 수 있습니다.

from ultralytics import YOLO

# Load a pretrained YOLO26n-pose Pose model
model = YOLO("yolo26n-pose.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.keypoints)  # print the Keypoints object containing the detected keypoints

다음은 이름, 타입 및 설명을 포함한 Keypoints 클래스 메서드 및 속성 표입니다:

자세한 내용은 Keypoints 클래스 문서를 참조하세요.

Probs#

Probs 객체는 top1 및 top5 분류 인덱스와 점수를 얻는 데 사용할 수 있습니다.

from ultralytics import YOLO

# Load a pretrained YOLO26n-cls Classify model
model = YOLO("yolo26n-cls.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")  # results list

# View results
for r in results:
    print(r.probs)  # print the Probs object containing the detected class probabilities

다음은 Probs 클래스의 메서드와 속성을 요약한 표입니다:

자세한 내용은 Probs 클래스 문서를 참조하세요.

OBB(방향성 경계 상자)#

OBB 객체는 지향성 바운딩 박스를 인덱싱하고, 조작하고, 다른 포맷으로 변환하는 데 사용할 수 있습니다.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n-obb.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/boats.jpg")  # results list

# View results
for r in results:
    print(r.obb)  # print the OBB object containing the oriented detection bounding boxes

다음은 이름, 타입 및 설명을 포함한 OBB 클래스 메서드 및 속성 표입니다:

자세한 내용은 OBB 클래스 문서를 참조하세요.

결과 시각화(Plotting Results)#

Results 객체의 plot() 메서드는 감지된 객체(바운딩 박스, 마스크, 키포인트, 확률 등)를 원본 이미지 위에 오버레이하여 예측 시각화를 용이하게 합니다. 이 메서드는 주석이 추가된 이미지를 NumPy 배열로 반환하므로 쉽게 표시하거나 저장할 수 있습니다.

from PIL import Image

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on 'bus.jpg'
results = model(["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/zidane.jpg"])  # results list

# Visualize the results
for i, r in enumerate(results):
    # Plot results image
    im_bgr = r.plot()  # BGR-order numpy array
    im_rgb = Image.fromarray(im_bgr[..., ::-1])  # RGB-order PIL image

    # Show results to screen (in supported environments)
    r.show()

    # Save results to disk
    r.save(filename=f"results{i}.jpg")

plot() 메서드 매개변수#

plot() 메서드는 출력을 사용자 정의하기 위한 다양한 인자를 지원합니다:

스레드 안전한 추론#

서로 다른 스레드에서 여러 YOLO 모델을 병렬로 실행할 때 추론 중 스레드 안전성(thread safety)을 보장하는 것은 매우 중요합니다. 스레드 안전한 추론은 각 스레드의 예측이 격리되어 서로 간섭하지 않도록 보장함으로써, 경쟁 상태(race condition)를 방지하고 일관되고 신뢰할 수 있는 출력을 보장합니다.

다중 스레드 애플리케이션에서 YOLO 모델을 사용할 때는 충돌을 방지하기 위해 각 스레드마다 별도의 모델 객체를 인스턴스화하거나 스레드 로컬 스토리지를 사용하는 것이 중요합니다.

from threading import Thread

from ultralytics import YOLO

def thread_safe_predict(model, image_path):
    """Performs thread-safe prediction on an image using a locally instantiated YOLO model."""
    model = YOLO(model)
    results = model.predict(image_path)
    # Process results

# Starting threads that each have their own model instance
Thread(target=thread_safe_predict, args=("yolo26n.pt", "image1.jpg")).start()
Thread(target=thread_safe_predict, args=("yolo26n.pt", "image2.jpg")).start()

YOLO 모델을 사용한 스레드 안전(Thread-safe) 추론에 대한 심층적인 내용과 단계별 지침은 YOLO Thread-Safe Inference Guide를 참조하십시오. 이 가이드는 일반적인 실수를 방지하고 멀티스레드 추론이 원활하게 실행되도록 보장하는 데 필요한 모든 정보를 제공합니다.

스트리밍 소스 for-루프#

다음은 비디오 프레임에서 추론을 실행하기 위해 OpenCV (cv2) 및 YOLO를 사용하는 Python 스크립트입니다. 이 스크립트는 필요한 패키지(opencv-python 및 ultralytics)를 이미 설치했다고 가정합니다.

import cv2

from ultralytics import YOLO

# Load the YOLO model
model = YOLO("yolo26n.pt")

# Open the video file
video_path = "path/to/your/video/file.mp4"
cap = cv2.VideoCapture(video_path)

# Loop through the video frames
while cap.isOpened():
    # Read a frame from the video
    success, frame = cap.read()

    if success:
        # Run YOLO inference on the frame
        results = model(frame)

        # Visualize the results on the frame
        annotated_frame = results[0].plot()

        # Display the annotated frame
        cv2.imshow("YOLO Inference", annotated_frame)

        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break
    else:
        # Break the loop if the end of the video is reached
        break

# Release the video capture object and close the display window
cap.release()
cv2.destroyAllWindows()

이 스크립트는 비디오의 각 프레임에서 예측을 실행하고, 결과를 시각화하여 창에 표시합니다. 'q'를 눌러 루프를 종료할 수 있습니다.

다음 단계#

사전 학습된 모델을 넘어설 준비가 되셨나요? 작업이 문제에 적합한지 확인하고, Datasets guide로 자신만의 데이터를 포맷한 다음, 해당 데이터로 학습을 진행하세요.

FAQ#

Ultralytics YOLO와 실시간 추론을 위한 predict 모드는 무엇입니까?#

Ultralytics YOLO는 실시간 object detection, instance segmentation, semantic segmentation, depth estimation 및 classification을 위한 최첨단 모델입니다. predict mode를 사용하면 이미지, 비디오, 라이브 스트림과 같은 다양한 데이터 소스에서 고속 추론을 수행할 수 있습니다. 성능과 범용성을 위해 설계되었으며, 배치 처리 및 스트리밍 모드도 제공합니다. 기능에 대한 자세한 내용은 Ultralytics YOLO predict mode를 확인하세요.

Ultralytics YOLO를 사용하여 다양한 데이터 소스에서 어떻게 추론을 실행할 수 있습니까?#

Ultralytics YOLO는 개별 이미지, 비디오, 디렉토리, URL 및 스트림을 포함하여 광범위한 데이터 소스를 처리할 수 있습니다. model.predict() 호출에서 데이터 소스를 지정할 수 있습니다. 예를 들어, 로컬 이미지에는 'image.jpg'을 사용하고 URL에는 'https://ultralytics.com/images/bus.jpg'를 사용합니다. 문서에서 다양한 inference sources에 대한 자세한 예제를 확인하세요.

YOLO 추론 속도와 메모리 사용량을 최적화하려면 어떻게 해야 합니까?#

추론 속도를 최적화하고 메모리를 효율적으로 관리하기 위해 예측기의 호출 메서드에서 stream=True을 설정하여 스트리밍 모드를 사용할 수 있습니다. 스트리밍 모드는 모든 프레임을 메모리에 로드하는 대신 메모리 효율적인 Results 객체 제너레이터를 생성합니다. 긴 비디오나 대규모 데이터셋을 처리할 때 스트리밍 모드가 특히 유용합니다. streaming mode에 대해 자세히 알아보세요.

Ultralytics YOLO는 어떤 추론 인수를 지원합니까?#

YOLO의 model.predict() 메서드는 conf, iou, imgsz, device 등 다양한 인자를 지원합니다. 이러한 인자를 통해 신뢰도 임계값, 이미지 크기, 연산에 사용되는 디바이스와 같은 매개변수를 설정하여 추론 과정을 사용자 정의할 수 있습니다. 이러한 인자에 대한 자세한 설명은 inference arguments 섹션에서 확인할 수 있습니다.

YOLO 모델에서 임베딩을 어떻게 추출합니까?#

끝에서 두 번째 레이어에서 피처 임베딩을 추출하려면 model.embed(source)을 사용하거나, 특정 레이어를 선택하려면 model.predict()에 embed=[layer_index]을 전달하세요.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
source = "https://ultralytics.com/images/bus.jpg"

results = model.predict(source)  # Results objects
embeddings = model.embed(source)  # list of torch.Tensor embeddings

YOLO 예측 결과를 시각화하고 저장하려면 어떻게 해야 합니까?#

YOLO로 추론을 실행한 후 Results 객체에는 주석이 달린 이미지를 표시하고 저장하는 메서드가 포함되어 있습니다. result.show() 및 result.save(filename="result.jpg")와 같은 메서드를 사용하여 결과를 시각화하고 저장할 수 있습니다. 파일 이름 경로에 누락된 상위 디렉토리는 자동으로 생성됩니다 (예: result.save("path/to/result.jpg")). 이러한 메서드의 전체 목록은 working with results 섹션을 참조하십시오.