Ultralytics YOLO를 사용한 모델 예측#

소개#

머신 러닝 및 컴퓨터 비전 분야에서 시각 데이터를 해석하는 프로세스를 흔히 추론 또는 예측이라고 합니다. Ultralytics YOLO26은 다양한 데이터 소스에서 고성능 실시간 추론을 수행하도록 설계된 predict 모드라는 강력한 기능을 제공합니다.

계획된 추론 예시는 미출시 YOLO27 미리보기를 참조하십시오.

실제 애플리케이션#

추론에 Ultralytics YOLO를 사용하는 이유#

다양한 추론 요구 사항에 YOLO26의 predict 모드를 고려해야 하는 이유는 다음과 같습니다.

• 다용도성: 이미지, 동영상 및 라이브 스트림에서 추론을 실행할 수 있습니다.
• 성능: 정확도를 유지하면서 실시간 고속 처리를 수행하도록 설계되었습니다.
• 사용 편의성: 신속한 배포와 테스트를 위한 직관적인 Python 및 CLI 인터페이스를 제공합니다.
• 높은 사용자 지정 가능성: 특정 요구 사항에 맞게 모델의 추론 동작을 조정할 수 있는 다양한 설정과 매개변수를 제공합니다.
• 프로덕션 지원: 자동 스케일링과 모니터링을 지원하는 Ultralytics Platform 추론 엔드포인트로 모델을 배포하거나 로컬에서 추론을 실행할 수 있습니다.

Predict 모드의 주요 기능#

YOLO26의 predict 모드는 다음과 같은 기능을 갖추고 있어 견고하고 다용도로 사용할 수 있도록 설계되었습니다.

• 다양한 데이터 소스 호환성: 데이터가 개별 이미지, 이미지 모음, 동영상 파일 또는 실시간 동영상 스트림 형식인지 여부와 관계없이 predict 모드를 사용할 수 있습니다.
• 스트리밍 모드: 스트리밍 기능을 사용하여 메모리 효율적인 Results 객체 제너레이터를 생성할 수 있습니다. predictor의 호출 메서드에서 stream=True을 설정하여 활성화합니다. 모든 결과가 포함된 목록을 반환하는 기본 동작(stream=False)과 달리, stream=True은 결과를 한 번에 하나씩 생성하므로 긴 동영상과 라이브 스트림에 특히 유용합니다.
• 배치 처리: 여러 이미지 또는 동영상 프레임을 단일 배치로 처리하여 전체 추론 시간을 더욱 줄일 수 있습니다.
• 간편한 통합: 유연한 API 덕분에 기존 데이터 파이프라인 및 기타 소프트웨어 구성 요소와 쉽게 통합할 수 있습니다.

Ultralytics YOLO 모델은 추론 중 모델에 stream=True를 전달하면 Python Results 객체 목록 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 표시된 것처럼 다양한 유형의 입력 소스를 추론에 처리할 수 있습니다. 소스에는 정적 이미지, 동영상 스트림 및 다양한 데이터 형식이 포함됩니다. 또한 표에는 각 소스를 stream=True ✅ 인수와 함께 스트리밍 모드에서 사용할 수 있는지 여부가 표시되어 있습니다. 스트리밍 모드는 모든 프레임을 메모리에 로드하는 대신 결과 제너레이터를 생성하므로 동영상 또는 라이브 스트림 처리에 유용합니다.

다음은 각 소스 유형을 사용하는 코드 예제입니다.

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 추론 시 전달하여 기본값을 재정의할 수 있는 여러 인수를 허용합니다.

고정 크기와 최소 사각형 비교(rect)#

기본적으로 predict는 **rect=True**을 사용하며, 가능한 경우 최소 사각형 패딩을 활성화합니다. 이미지는 imgsz 안에 맞도록 크기가 조정되고 가장 가까운 stride 배수만큼만 패딩되므로 최종 텐서는 imgsz보다 작을 수 있습니다. 최소 사각형 패딩은 배치의 모든 이미지가 동일한 크기이고 백엔드가 이를 지원하는 경우에만 사용됩니다(PyTorch .pt 또는 동적 ONNX / Triton). 그렇지 않으면 이미지가 전체 imgsz 대상으로 패딩됩니다.

항상 전체 imgsz 대상으로 패딩하려면 **rect=False**을 사용합니다. 내보낸 모델(ONNX, TensorRT 등)에 맞추기 위해 고정 입력 크기가 필요한 경우 이 옵션을 사용하는 것이 좋습니다.

정수와 튜플 imgsz 비교

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

Training과 predict/export 비교

Training은 단일 정수 imgsz만 허용합니다([h, w] 목록은 가장 큰 값으로 변환됩니다). Predict와 export는 정수 또는 (height, width) 튜플을 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 인자:

이미지 및 비디오 형식#

YOLO26은 ultralytics/data/utils.py에 지정된 다양한 이미지 및 비디오 형식을 지원합니다. 유효한 suffix와 예시 predict command는 아래 표를 참조하십시오.

이미지#

아래 표에는 유효한 Ultralytics 이미지 형식이 포함되어 있습니다.

비디오#

아래 표에는 유효한 Ultralytics 비디오 형식이 포함되어 있습니다.

Results 사용#

모든 Ultralytics predict() 호출은 Results object의 list를 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 object에는 다음 attribute가 있습니다:

Task별 Results#

아래에 채워지는 필드는 모델의 태스크에 따라 다릅니다. 아직 태스크를 선택하지 않았다면 detection, segmentation, semantic segmentation, depth estimation, classification, pose, and OBB 비교를 참고하세요. 각 예측은 이미지 또는 프레임당 하나의 Results 객체를 반환합니다. 위의 공통 필드는 항상 사용할 수 있으며, 태스크별 예측 데이터는 아래 필드에 저장됩니다. YOLO 좌표 및 신뢰도 텐서는 torch.float32이며, 확률 텐서는 반정밀도가 사용되지 않는 한 torch.float32이고, 반정밀도가 사용되는 경우 torch.float16입니다. result.numpy() 이후에는 텐서가 일치하는 NumPy 데이터 유형을 가진 NumPy 배열이 됩니다. 인스턴스 마스크는 torch.uint8 이진 텐서인 반면, 시맨틱 마스크는 클래스 수에 따라 클래스 ID에 대해 가장 실용적인 최소 정수 데이터 유형인 torch.uint8, torch.int16, 또는 torch.int32를 사용합니다.

Results 객체는 다음 메서드를 제공합니다.

자세한 내용은 Results 클래스 문서를 참조하십시오.

박스#

Boxes 객체를 사용하여 바운딩 박스를 인덱싱하고 조작하며 여러 형식으로 변환할 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, 유형 및 설명을 포함한 Boxes 클래스 메서드와 속성의 표입니다.

자세한 내용은 Boxes 클래스 문서를 참조하십시오.

마스크#

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

다음은 이름, 유형 및 설명을 포함한 Masks 클래스 메서드와 속성의 표입니다.

자세한 내용은 Masks 클래스 문서를 참조하십시오.

SemanticMask#

SemanticMask은 시맨틱 세그멘테이션 결과를 위한 하나의 밀집 클래스 맵을 저장합니다. Masks과 달리 객체마다 하나의 이진 마스크를 포함하지 않으며 폴리곤 헬퍼를 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

키포인트#

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

다음은 이름, 유형 및 설명을 포함한 Keypoints 클래스 메서드와 속성의 표입니다.

자세한 내용은 Keypoints 클래스 문서를 참조하십시오.

확률#

Probs 객체를 사용하여 top1 및 top5 분류 인덱스와 점수를 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

다음은 Probs 클래스의 메서드와 속성을 요약한 표입니다.

자세한 내용은 Probs 클래스 문서를 참조하십시오.

OBB#

OBB 객체를 사용하여 방향이 지정된 바운딩 박스를 인덱싱하고 조작하며 여러 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

다음은 이름, 유형 및 설명을 포함한 OBB 클래스 메서드와 속성의 표입니다.

자세한 내용은 OBB 클래스 문서를 참조하십시오.

결과 플로팅#

Results 객체의 plot() 메서드는 감지된 객체(예: 바운딩 박스, 마스크, 키포인트, 확률)를 원본 이미지 위에 오버레이하여 예측 결과를 시각화합니다. 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 지정할 수 있도록 다양한 인수를 지원합니다:

스레드 안전 추론#

여러 YOLO 모델을 서로 다른 스레드에서 병렬로 실행할 때 추론 중 스레드 안전성을 보장하는 것이 중요합니다. 스레드 안전 추론은 각 스레드의 예측 결과가 격리되어 서로 간섭하지 않도록 하여 경쟁 조건을 방지하고 일관되고 안정적인 출력을 보장합니다.

멀티스레드 애플리케이션에서 YOLO 모델을 사용할 때는 충돌을 방지하기 위해 각 스레드에 별도의 모델 객체를 생성하거나 스레드 로컬 저장소를 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 추론을 자세히 살펴보고 단계별 지침을 확인하려면 YOLO 스레드 안전 추론 가이드를 참조하십시오. 이 가이드에서는 일반적인 문제를 방지하고 멀티스레드 추론이 원활하게 실행되도록 하는 데 필요한 모든 정보를 제공합니다.

스트리밍 소스 for 루프#

다음은 OpenCV(cv2)와 YOLO를 사용하여 비디오 프레임에서 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 시각화한 다음 창에 표시합니다. 'q' 키를 누르면 루프를 종료할 수 있습니다.

다음 단계#

사전 학습된 모델을 넘어설 준비가 되셨습니까? 문제에 맞는 작업인지 확인하고, Datasets 가이드를 사용하여 자체 데이터를 포맷한 다음 해당 데이터로 학습하십시오.

FAQ#