Ultralytics YOLO를 활용한 모델 예측

소개

머신러닝 및 컴퓨터 비전 분야에서 시각적 데이터를 해석하는 과정을 흔히 추론(inference) 또는 예측(prediction)이라고 합니다. Ultralytics YOLO26은 광범위한 데이터 소스 전반에서 고성능 실시간 추론을 수행하도록 설계된 강력한 기능인 predict 모드를 제공합니다.

실제 적용 사례

제조업	스포츠	안전
차량 예비 부품 감지	축구 선수 감지	사람 넘어짐 감지

추론에 Ultralytics YOLO를 사용하는 이유는 무엇입니까?

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

• 다재다능함: 이미지, 비디오, 라이브 스트림에서 추론을 실행할 수 있습니다.
• 성능: 정확도를 희생하지 않으면서 실시간 고속 처리를 위해 설계되었습니다.
• 사용 편의성: 빠른 배포와 테스트를 위한 직관적인 Python 및 CLI 인터페이스를 제공합니다.
• 높은 사용자 정의 가능성: 특정 요구 사항에 맞춰 모델의 추론 동작을 조정할 수 있는 다양한 설정과 파라미터를 제공합니다.
• 프로덕션 준비 완료: 자동 확장 및 모니터링 기능을 갖춘 Ultralytics Platform에서 모델을 API 엔드포인트로 배포하거나 로컬에서 추론을 실행할 수 있습니다.

Predict 모드의 주요 특징

YOLO26의 predict 모드는 강력하고 다재다능하도록 설계되었으며, 다음과 같은 특징을 가집니다:

• 다양한 데이터 소스 호환성: 데이터가 개별 이미지, 이미지 컬렉션, 비디오 파일, 실시간 비디오 스트림 등 무엇이든 predict 모드가 처리할 수 있습니다.
• 스트리밍 모드: 스트리밍 기능을 사용하여 메모리 효율적인 Results 객체 제너레이터를 생성할 수 있습니다. 예측기 호출 메서드에서 stream=True를 설정하여 활성화하십시오.
• 배치 처리: 여러 이미지나 비디오 프레임을 단일 배치로 처리하여 총 추론 시간을 더욱 단축합니다.
• 간편한 통합: 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

추론 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 소스를 stream=True 인수를 사용하여 스트리밍 모드에서 사용할 수 있는지 여부 ✅를 나타냅니다. 스트리밍 모드는 모든 프레임을 메모리에 로드하는 대신 결과 제너레이터를 생성하므로 비디오나 라이브 스트림을 처리할 때 유용합니다.

각 소스 유형을 사용하는 방법에 대한 코드 예제는 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()는 추론 시점에 전달하여 기본값을 재정의할 수 있는 여러 인수를 허용합니다:

고정 크기 대 최소 사각형(rect)

기본적으로 predict는 **rect=True**를 사용하며, 이는 가능한 경우 최소 사각형 패딩을 활성화합니다. 이미지는 imgsz 내에 맞게 조정되고 가장 가까운 스트라이드 배수로만 패딩되므로, 최종 텐서는 imgsz보다 작을 수 있습니다. 최소 사각형 패딩은 배치의 모든 이미지가 동일한 모양을 가지고 백엔드가 이를 지원하는 경우(PyTorch .pt 또는 동적 ONNX / Triton)에만 사용됩니다. 그렇지 않으면 이미지는 전체 imgsz 타겟으로 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 타겟 (640, 640)이 됩니다.
• 튜플 imgsz=(384, 672)는 직사각형 타겟을 설정합니다. rect=True 및 auto=True 설정 시, 실제 텐서는 이 타겟보다 작을 수 있습니다.

학습 대 예측/내보내기

Training accepts only a single integer imgsz (a [h, w] list is coerced to the largest value). Predict and export accept either an integer or a (height, width) tuple.

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 인자:

시각화 인수:

이미지 및 비디오 형식

YOLO26은 ultralytics/data/utils.py에 명시된 다양한 이미지 및 비디오 형식을 지원합니다. 유효한 접미사와 예시 예측 명령어는 아래 표를 참조하십시오.

이미지

아래 표에는 유효한 Ultralytics 이미지 형식이 포함되어 있습니다.

비디오

아래 표에는 유효한 Ultralytics 비디오 형식이 포함되어 있습니다.

결과 작업하기

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:

Results 객체는 다음과 같은 메서드를 가집니다:

자세한 내용은 Results 클래스 문서를 참조하십시오.

Boxes

Boxes 객체는 BBox를 인덱싱, 조작하고 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

Boxes 클래스 메서드와 속성, 이름, 타입, 설명을 포함한 표입니다:

자세한 내용은 Boxes 클래스 문서를 참조하십시오.

Masks

Masks 객체는 마스크를 인덱싱, 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

Masks 클래스 메서드와 속성, 이름, 타입, 설명을 포함한 표입니다:

자세한 내용은 Masks 클래스 문서를 참조하십시오.

Keypoints

Keypoints 객체를 사용하여 좌표를 인덱싱, 조작 및 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 Keypoints 클래스의 메서드와 속성에 대한 표이며, 이름, 유형 및 설명을 포함합니다:

더 자세한 내용은 Keypoints 클래스 문서를 참조하십시오.

Probs

Probs 객체를 사용하여 분류 결과의 인덱싱, top1 및 top5 인덱스와 점수를 얻을 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:

더 자세한 내용은 Probs 클래스 문서를 참조하십시오.

OBB

OBB 객체를 사용하여 회전된 경계 상자(oriented bounding boxes)를 인덱싱, 조작 및 다른 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 OBB 클래스의 메서드와 속성에 대한 표이며, 이름, 유형 및 설명을 포함합니다:

더 자세한 내용은 OBB 클래스 문서를 참조하십시오.

결과 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")

plot() 메서드 매개변수

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

스레드 안전 추론 (Thread-Safe Inference)

서로 다른 스레드에서 여러 YOLO 모델을 병렬로 실행할 때는 추론 중 스레드 안전성을 보장하는 것이 중요합니다. 스레드 안전 추론은 각 스레드의 예측이 격리되어 서로 간섭하지 않도록 보장하며, 경쟁 상태(race condition)를 방지하고 일관되고 신뢰할 수 있는 출력을 보장합니다.

멀티 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 추론에 대한 자세한 내용과 단계별 지침은 YOLO 스레드 안전 추론 가이드를 참조하십시오. 이 가이드는 일반적인 문제를 방지하고 멀티 스레드 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 프레임에 대해 예측을 실행하고, 결과를 시각화하며, 창에 표시합니다. 루프는 'q'를 눌러 종료할 수 있습니다.

FAQ

Ultralytics YOLO란 무엇이며 실시간 추론을 위한 predict 모드는 무엇입니까?

Ultralytics YOLO는 실시간 객체 감지, 세분화 및 분류를 위한 최첨단 모델입니다. predict 모드를 사용하면 이미지, 비디오 및 실시간 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 모드를 확인하십시오.

Ultralytics YOLO를 사용하여 다양한 데이터 소스에서 추론을 실행하려면 어떻게 해야 합니까?

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 사용하십시오. 문서에서 다양한 추론 소스에 대한 자세한 예제를 확인하십시오.

YOLO 추론 속도와 메모리 사용량을 최적화하려면 어떻게 해야 합니까?

추론 속도를 최적화하고 메모리를 효율적으로 관리하려면 예측기 호출 메서드에서 stream=True로 설정하여 스트리밍 모드를 사용할 수 있습니다. 스트리밍 모드는 모든 프레임을 메모리에 로드하는 대신 Results 객체의 메모리 효율적인 생성자를 생성합니다. 긴 비디오나 대규모 데이터 세트를 처리할 때 스트리밍 모드가 특히 유용합니다. 스트리밍 모드에 대해 더 알아보십시오.

Ultralytics 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 과정을 사용자 정의할 수 있습니다. 이러한 인수에 대한 자세한 설명은 추론 인수 섹션에서 찾을 수 있습니다.

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 경로에 누락된 상위 디렉토리는 자동으로 생성됩니다(예: result.save("path/to/result.jpg")). 이러한 메서드의 전체 목록은 결과 작업하기 섹션을 참조하십시오.