Link to this sectionUltralytics YOLO를 사용한 모델 예측#

Link to this section소개#

머신러닝 및 컴퓨터 비전 분야에서 시각적 데이터를 해석하는 과정을 흔히 추론(inference) 또는 예측(prediction)이라고 합니다. Ultralytics YOLO26은 다양한 데이터 소스에 걸쳐 고성능 실시간 추론을 수행하도록 최적화된 **예측 모드(predict mode)**라는 강력한 기능을 제공합니다.

Link to this section실제 활용 사례#

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

Link to this section왜 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 위해 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: Ultralytics Platform에서 자동 확장(auto-scaling) 및 모니터링이 포함된 API 엔드포인트로 모델을 배포하거나 로컬에서 추론을 실행할 수 있습니다.

Link to this section예측 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 생성기를 생성하십시오. 예측기의 호출 메서드에서 stream=True로 설정하여 활성화할 수 있습니다.
• 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 models return either a Python list of Results objects or a memory-efficient generator of Results objects when stream=True is passed to the model during inference:

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

Link to this section추론 소스#

YOLO26은 아래 표와 같이 추론을 위한 다양한 유형의 입력 소스를 처리할 수 있습니다. 소스에는 정적 이미지, 비디오 스트림 및 다양한 데이터 형식이 포함됩니다. 또한 이 표는 각 소스가 stream=True ✅ 인수를 사용하여 스트리밍 모드에서 사용될 수 있는지 여부를 나타냅니다. 스트리밍 모드는 모든 프레임을 메모리에 로드하는 대신 결과 생성기를 생성하므로 비디오나 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

Link to this section추론 인수#

model.predict()는 추론 시 기본값을 재정의하기 위해 전달될 수 있는 여러 인수를 허용합니다:

Link to this section고정 크기 대 최소 직사각형(rect)#

기본적으로 예측은 **rect=True**를 사용하여 가능할 때 최소 직사각형 패딩을 활성화합니다. 이미지는 imgsz에 맞게 크기가 조정되고 가장 가까운 스트라이드 배수까지만 패딩되므로, 최종 텐서는 imgsz보다 작을 수 있습니다. 최소 직사각형 패딩은 배치의 모든 이미지가 동일한 모양을 가지고 백엔드에서 지원하는 경우(PyTorch .pt 또는 동적 ONNX / Triton)에만 사용됩니다. 그렇지 않으면 이미지는 전체 imgsz 대상으로 패딩됩니다.

Use rect=False to always pad to the full imgsz target. This is recommended when you need a fixed input size to match exported models (ONNX, TensorRT, etc.).

정수 대 튜플 imgsz

• 정수 imgsz=640은 스트라이드 반올림 후 정사각형 대상 (640, 640)이 됩니다.
• 튜플 imgsz=(384, 672)는 직사각형 대상을 설정합니다. rect=True 및 auto=True를 사용하면 실제 텐서는 이 대상보다 작을 수 있습니다.

학습 대 예측/내보내기

학습은 단일 정수 imgsz만 허용합니다([h, w] 목록은 가장 큰 값으로 강제 변환됩니다). 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:

Link to this section이미지 및 비디오 형식#

YOLO26은 ultralytics/data/utils.py에 지정된 대로 다양한 이미지 및 비디오 형식을 지원합니다. 유효한 접미사와 예제 예측 명령은 아래 표를 참조하십시오.

Link to this section이미지#

아래 표에는 유효한 Ultralytics 이미지 형식이 포함되어 있습니다.

Link to this section비디오#

아래 표에는 유효한 Ultralytics 비디오 형식이 포함되어 있습니다.

Link to this section결과 작업#

모든 Ultralytics predict() 호출은 Results 객체 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:

Link to this section작업별 결과#

각 예측은 이미지 또는 프레임당 하나의 Results 객체를 반환합니다. 위의 공통 필드는 항상 사용할 수 있으며, 작업별 예측 데이터는 아래 필드에 저장됩니다. 좌표, 신뢰도, 확률 텐서는 하프 정밀도를 사용하지 않는 한 torch.float32이며, 하프 정밀도를 사용할 경우 torch.float16입니다. result.numpy()를 실행하면 텐서는 일치하는 NumPy dtype을 가진 NumPy 배열로 변환됩니다. 인스턴스 마스크는 torch.uint8 이진 텐서인 반면, 시맨틱 마스크는 클래스 수에 따라 torch.uint8, torch.int16 또는 torch.int32와 같이 클래스 ID에 대해 가장 실용적인 최소 정수 dtype을 사용합니다.

Results 객체는 다음 메서드를 가집니다:

더 자세한 내용은 Results 클래스 문서를 참조하십시오.

Link to this section박스#

Boxes 객체는 바운딩 박스를 인덱싱, 조작 및 다른 형식으로 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 Boxes 클래스 메서드 및 속성에 대한 표이며, 이름, 유형 및 설명을 포함합니다:

자세한 내용은 Boxes 클래스 문서를 참조하십시오.

Link to this sectionMasks#

Masks 객체를 사용하여 마스크를 인덱싱하고 조작하며 세그먼트로 변환할 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

Masks 클래스의 메서드와 속성, 이름, 유형 및 설명을 포함한 표는 다음과 같습니다.

자세한 내용은 Masks 클래스 문서를 참조하십시오.

Link to this sectionSemanticMask#

SemanticMask는 의미론적 세그멘테이션 결과를 위해 하나의 조밀한 클래스 맵을 저장합니다. Masks와 달리, 개체당 하나의 이진 마스크를 포함하지 않으며 다각형 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

Link to this sectionKeypoints#

Keypoints 객체를 사용하여 좌표를 인덱싱하고 조작하며 정규화할 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

Keypoints 클래스의 메서드와 속성, 이름, 유형 및 설명을 포함한 표는 다음과 같습니다.

자세한 내용은 Keypoints 클래스 문서를 참조하십시오.

Link to this sectionProbs#

Probs 객체를 사용하여 분류의 top1 및 top5 인덱스와 점수를 인덱싱하고 가져올 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

Probs 클래스의 메서드와 속성을 요약한 표는 다음과 같습니다:

자세한 내용은 Probs 클래스 문서를 참조하십시오.

Link to this sectionOBB(방향성 경계 상자)#

OBB 객체를 사용하여 회전된 경계 상자를 인덱싱하고 조작하며 다양한 형식으로 변환할 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

OBB 클래스의 메서드와 속성, 이름, 유형 및 설명을 포함한 표는 다음과 같습니다.

자세한 내용은 OBB 클래스 문서를 참조하십시오.

Link to this section결과 시각화(Plotting Results)#

The plot() method in Results objects facilitates visualization of predictions by overlaying detected objects (such as bounding boxes, masks, keypoints, and probabilities) onto the original image. This method returns the annotated image as a NumPy array, allowing for easy display or saving.

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")

Link to this sectionplot() 메서드 매개변수#

plot() 메서드는 출력을 사용자 지정하기 위해 다양한 인수를 지원합니다:

Link to this section스레드 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 안전한 추론에 대한 자세한 내용과 단계별 지침은 YOLO Thread-Safe Inference Guide를 참조하십시오. 이 가이드는 일반적인 실수를 방지하고 다중 스레드 추론이 원활하게 실행되도록 하는 데 필요한 모든 정보를 제공합니다.

Link to this section스트리밍 소스 for 루프#

다음은 OpenCV(cv2)와 YOLO를 사용하여 비디오 프레임에 대해 추론을 실행하는 Python 스크립트입니다. 이 스크립트는 필요한 패키지(opencv-python 및 ultralytics)가 이미 설치되어 있다고 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.

Link to this sectionFAQ#

Link to this sectionUltralytics YOLO와 실시간 추론을 위한 predict 모드는 무엇입니까?#

Ultralytics YOLO는 실시간 object detection, instance segmentation, semantic segmentation 및 classification을 위한 최첨단 모델입니다. predict 모드를 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 확인하십시오.

Link to this sectionUltralytics YOLO를 사용하여 다양한 데이터 소스에서 어떻게 추론을 실행할 수 있습니까?#

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

Link to this sectionYOLO 추론 속도와 메모리 사용량을 최적화하려면 어떻게 해야 합니까?#

추론 속도를 최적화하고 메모리를 효율적으로 관리하려면, 예측기(predictor)의 호출 메서드에서 stream=True로 설정하여 스트리밍 모드를 사용할 수 있습니다. 스트리밍 모드는 모든 프레임을 메모리에 로드하는 대신 메모리 효율적인 Results 객체 생성기를 생성합니다. 긴 비디오나 대규모 데이터셋을 처리할 때 스트리밍 모드가 특히 유용합니다. streaming mode에 대해 자세히 알아보십시오.

Link to this sectionUltralytics YOLO는 어떤 추론 인수를 지원합니까?#

YOLO의 model.predict() 메서드는 conf, iou, imgsz, device 등 다양한 인수를 지원합니다. 이러한 인수를 사용하면 신뢰도 임계값, 이미지 크기, 계산에 사용되는 장치와 같은 매개변수를 설정하여 추론 프로세스를 사용자 지정할 수 있습니다. 이러한 인수에 대한 자세한 설명은 inference arguments 섹션에서 확인할 수 있습니다.

Link to this sectionYOLO 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.