다음을 사용한 모델 예측 Ultralytics YOLO

소개

머신러닝과 컴퓨터 비전의 세계에서 시각적 데이터에서 의미를 찾아내는 과정을 '추론' 또는 '예측'이라고 합니다. Ultralytics YOLOv8 은 광범위한 데이터 소스에서 고성능 실시간 추론을 위해 맞춤화된 예측 모드라는 강력한 기능을 제공합니다.

Watch: Ultralytics YOLOv8 모델에서 출력을 추출하는 방법 사용자 지정 프로젝트용 모델.

실제 애플리케이션

제조	스포츠	안전

차량 예비 부품 감지	축구 선수 감지	사람 낙상 감지

추론에 Ultralytics YOLO 을 사용하는 이유는 무엇인가요?

다양한 추론 요구에 맞는 YOLOv8 의 예측 모드를 고려해야 하는 이유는 다음과 같습니다:

다목적성: 이미지, 동영상, 라이브 스트림까지 추론할 수 있습니다.
성능: 정확도 저하 없이 실시간 고속 처리를 위해 설계되었습니다.
사용 편의성: 신속한 배포 및 테스트를 위한 직관적인 Python 및 CLI 인터페이스.
고도로 사용자 정의 가능: 특정 요구 사항에 따라 모델의 추론 동작을 조정할 수 있는 다양한 설정 및 매개변수.

예측 모드의 주요 기능

YOLOv8의 예측 모드는 강력하고 다용도로 사용할 수 있도록 설계되었습니다:

다양한 데이터 소스 호환성: 데이터가 개별 이미지, 이미지 모음, 동영상 파일, 실시간 동영상 스트림 등 어떤 형태이든 예측 모드가 지원합니다.
스트리밍 모드: 스트리밍 기능을 사용하여 다음과 같은 메모리 효율적인 제너레이터를 생성합니다. Results 객체를 사용할 수 있습니다. 설정하여 이 기능을 사용하도록 설정합니다. stream=True 를 예측자의 호출 메서드에 추가합니다.
일괄 처리: 여러 이미지 또는 비디오 프레임을 한 번에 일괄 처리하여 추론 시간을 더욱 단축할 수 있는 기능입니다.
통합 친화적: 유연한 API 덕분에 기존 데이터 파이프라인 및 기타 소프트웨어 구성 요소와 쉽게 통합할 수 있습니다.

Ultralytics YOLO 모델은 Python 목록 중 하나를 반환합니다. Results 객체 또는 메모리 효율적인 Python 생성기의 Results 객체를 stream=True 는 추론 중에 모델에 전달됩니다:

예측

다음을 포함하는 목록을 반환합니다. stream=False다음과 같은 발전기를 반환합니다. stream=True

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # pretrained YOLOv8n model

# Run batched inference on a list of images
results = model(['im1.jpg', 'im2.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

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # pretrained YOLOv8n model

# Run batched inference on a list of images
results = model(['im1.jpg', 'im2.jpg'], stream=True)  # return a generator of Results objects

# Process results generator
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

YOLOv8 는 아래 표와 같이 다양한 유형의 입력 소스를 처리하여 추론할 수 있습니다. 소스에는 정적 이미지, 비디오 스트림 및 다양한 데이터 형식이 포함됩니다. 이 표는 또한 각 소스를 스트리밍 모드에서 사용할 수 있는지 여부를 인수 stream=True ✅. 스트리밍 모드는 모든 프레임을 메모리에 로드하는 대신 결과 생성기를 생성하므로 동영상이나 라이브 스트림을 처리하는 데 유용합니다.

팁

사용 stream=True 를 사용하면 긴 동영상이나 대용량 데이터 세트를 처리하여 메모리를 효율적으로 관리할 수 있습니다. 언제 stream=False를 사용하면 모든 프레임 또는 데이터 포인트에 대한 결과가 메모리에 저장되므로 큰 입력값의 경우 빠르게 합산되어 메모리 부족 오류가 발생할 수 있습니다. 반대로 stream=True 는 현재 프레임 또는 데이터 포인트의 결과만 메모리에 보관하는 제너레이터를 사용하여 메모리 소비를 크게 줄이고 메모리 부족 문제를 방지합니다.

출처	인수	유형	참고
이미지	`'image.jpg'`	`str` 또는 `Path`	단일 이미지 파일.
URL	`'https://ultralytics.com/images/bus.jpg'`	`str`	이미지의 URL을 입력합니다.
스크린샷	`'screen'`	`str`	스크린샷을 캡처합니다.
PIL	`Image.open('im.jpg')`	`PIL.Image`	RGB 채널이 있는 HWC 형식입니다.
OpenCV	`cv2.imread('im.jpg')`	`np.ndarray`	BGR 채널이 포함된 HWC 형식 `uint8 (0-255)`.
numpy	`np.zeros((640,1280,3))`	`np.ndarray`	BGR 채널이 포함된 HWC 형식 `uint8 (0-255)`.
torch	`torch.zeros(16,3,320,640)`	`torch.Tensor`	RGB 채널이 있는 BCHW 포맷 `float32 (0.0-1.0)`.
CSV	`'sources.csv'`	`str` 또는 `Path`	이미지, 동영상 또는 디렉터리 경로가 포함된 CSV 파일입니다.
동영상 ✅	`'video.mp4'`	`str` 또는 `Path`	MP4, AVI 등의 형식의 동영상 파일입니다.
디렉토리 ✅	`'path/'`	`str` 또는 `Path`	이미지 또는 동영상이 포함된 디렉토리의 경로입니다.
glob ✅	`'path/*.jpg'`	`str`	글로브 패턴을 사용하여 여러 파일과 일치시킵니다. 사용 `*` 문자를 와일드카드로 사용할 수 있습니다.
YouTube ✅	`'https://youtu.be/LNwODJXcvt4'`	`str`	YouTube 동영상의 URL을 입력합니다.
스트림 ✅	`'rtsp://example.com/media.mp4'`	`str`	RTSP, RTMP, TCP 또는 IP 주소와 같은 스트리밍 프로토콜용 URL입니다.
멀티 스트림 ✅	`'list.streams'`	`str` 또는 `Path`	`*.streams` 텍스트 파일에 행당 하나의 스트림 URL, 즉 8개의 스트림이 배치 크기 8로 실행됩니다.

다음은 각 소스 유형을 사용하는 코드 예제입니다:

예측 소스

이미지스크린샷URLPILOpenCVnumpytorchCSV비디오디렉토리globYouTube스트림

이미지 파일에서 추론을 실행합니다.

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

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

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

현재 화면 콘텐츠에 대한 추론을 스크린샷으로 실행합니다.

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Define current screenshot as source
source = 'screen'

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

URL을 통해 원격으로 호스팅된 이미지 또는 동영상에서 추론을 실행합니다.

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Define remote image or video URL
source = 'https://ultralytics.com/images/bus.jpg'

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

Python 이미징 라이브러리(PIL)로 연 이미지에서 추론을 실행합니다.

from PIL import Image
from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Open an image using PIL
source = Image.open('path/to/image.jpg')

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

OpenCV로 읽은 이미지에서 추론을 실행합니다.

import cv2
from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Read an image using OpenCV
source = cv2.imread('path/to/image.jpg')

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

널 배열로 표현된 이미지에서 추론을 실행합니다.

import numpy as np
from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Create a random numpy array of HWC shape (640, 640, 3) with values in range [0, 255] and type uint8
source = np.random.randint(low=0, high=255, size=(640, 640, 3), dtype='uint8')

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

PyTorch tensor 으로 표현된 이미지에 대해 추론을 실행합니다.

import torch
from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Create a random torch tensor of BCHW shape (1, 3, 640, 640) with values in range [0, 1] and type float32
source = torch.rand(1, 3, 640, 640, dtype=torch.float32)

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

CSV 파일에 나열된 이미지, URL, 동영상 및 디렉터리 모음에 대해 추론을 실행합니다.

import torch
from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Define a path to a CSV file with images, URLs, videos and directories
source = 'path/to/file.csv'

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

동영상 파일에서 추론을 실행합니다. 다음을 사용하여 stream=True를 사용하여 결과 객체 생성기를 생성하여 메모리 사용량을 줄일 수 있습니다.

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Define path to video file
source = 'path/to/video.mp4'

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

디렉토리에 있는 모든 이미지와 동영상에 대해 추론을 실행합니다. 하위 디렉터리에서도 이미지와 동영상을 캡처하려면 글로브 패턴을 사용합니다. path/to/dir/**/*.

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Define path to directory containing images and videos for inference
source = 'path/to/dir'

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

글로브 표현식과 일치하는 모든 이미지와 동영상에 대해 추론을 실행합니다. * 문자.

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Define a glob search for all JPG files in a directory
source = 'path/to/dir/*.jpg'

# OR define a recursive glob search for all JPG files including subdirectories
source = 'path/to/dir/**/*.jpg'

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

YouTube 동영상에서 추론을 실행합니다. 다음을 사용하여 stream=True를 사용하여 결과 객체 생성기를 생성하여 긴 동영상의 메모리 사용량을 줄일 수 있습니다.

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Define source as YouTube video URL
source = 'https://youtu.be/LNwODJXcvt4'

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

RTSP, RTMP, TCP 및 IP 주소 프로토콜을 사용하여 원격 스트리밍 소스에 대한 추론을 실행합니다. 하나의 스트림에 여러 개의 스트림이 제공되는 경우 *.streams 텍스트 파일을 입력하면 일괄 추론이 실행됩니다. 즉, 8개의 스트림이 배치 크기 8로 실행되고, 그렇지 않으면 단일 스트림이 배치 크기 1로 실행됩니다.

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Single stream with batch-size 1 inference
source = 'rtsp://example.com/media.mp4'  # RTSP, RTMP, TCP or IP streaming address

# Multiple streams with batched inference (i.e. batch-size 8 for 8 streams)
source = 'path/to/list.streams'  # *.streams text file with one streaming address per row

# Run inference on the source
results = model(source, stream=True)  # generator of Results objects

추론 인수

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

예

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Run inference on 'bus.jpg' with arguments
model.predict('bus.jpg', save=True, imgsz=320, conf=0.5)

추론 인수:

인수	유형	기본값	설명
`source`	`str`	`'ultralytics/assets'`	추론할 데이터 소스를 지정합니다. 이미지 경로, 동영상 파일, 디렉토리, URL 또는 실시간 피드용 디바이스 ID가 될 수 있습니다. 다양한 형식과 소스를 지원하므로 다양한 유형의 입력에 유연하게 적용할 수 있습니다.
`conf`	`float`	`0.25`	탐지에 대한 최소 신뢰도 임계값을 설정합니다. 이 임계값보다 낮은 신뢰도로 탐지된 개체는 무시됩니다. 이 값을 조정하면 오탐지를 줄이는 데 도움이 될 수 있습니다.
`iou`	`float`	`0.7`	비최대 억제(NMS)에 대한 교차점 초과(IoU) 임계값입니다. 값이 낮을수록 중복되는 상자를 제거하여 탐지 횟수가 줄어들어 중복을 줄이는 데 유용합니다.
`imgsz`	`int or tuple`	`640`	추론할 이미지 크기를 정의합니다. 단일 정수일 수 있습니다. `640` 를 사용하여 정사각형 크기 조정 또는 (높이, 너비) 튜플을 사용합니다. 적절한 크기 조정은 감지 정확도와 처리 속도를 향상시킬 수 있습니다.
`half`	`bool`	`False`	정확도에 미치는 영향을 최소화하면서 지원되는 GPU에서 모델 추론 속도를 높일 수 있는 반정확도(FP16) 추론을 활성화합니다.
`device`	`str`	`None`	추론할 장치를 지정합니다(예, `cpu`, `cuda:0` 또는 `0`). 사용자가 모델 실행을 위해 CPU, 특정 GPU 또는 기타 컴퓨팅 장치 중에서 선택할 수 있습니다.
`max_det`	`int`	`300`	이미지당 허용되는 최대 감지 횟수. 모델이 한 번의 추론에서 감지할 수 있는 총 오브젝트 수를 제한하여 밀집된 장면에서 과도한 출력을 방지합니다.
`vid_stride`	`int`	`1`	비디오 입력의 프레임 보폭. 동영상에서 프레임을 건너뛰어 시간 해상도를 희생하면서 처리 속도를 높일 수 있습니다. 값이 1이면 모든 프레임을 처리하고, 값이 클수록 프레임을 건너뜁니다.
`stream_buffer`	`bool`	`False`	비디오 스트림을 처리할 때 모든 프레임을 버퍼링할지 여부를 결정합니다(`True`), 또는 모델이 가장 최근 프레임을 반환해야 하는지(`False`). 실시간 애플리케이션에 유용합니다.
`visualize`	`bool`	`False`	추론 중에 모델 기능의 시각화를 활성화하여 모델이 '보고 있는 것'에 대한 인사이트를 제공합니다. 디버깅 및 모델 해석에 유용합니다.
`augment`	`bool`	`False`	예측을 위한 테스트 시간 증강(TTA)을 지원하여 추론 속도를 희생하면서 탐지 견고성을 향상시킬 수 있습니다.
`agnostic_nms`	`bool`	`False`	서로 다른 클래스의 겹치는 상자를 병합하는 클래스 무관 NMS(Non-Maximum Suppression)를 활성화합니다. 클래스 중복이 일반적인 다중 클래스 탐지 시나리오에 유용합니다.
`classes`	`list[int]`	`None`	클래스 ID 집합으로 예측을 필터링합니다. 지정된 클래스에 속하는 탐지만 반환됩니다. 다중 클래스 탐지 작업에서 관련 개체에 집중하는 데 유용합니다.
`retina_masks`	`bool`	`False`	모델에서 사용 가능한 경우 고해상도 세분화 마스크를 사용합니다. 이렇게 하면 세분화 작업의 마스크 품질을 향상시켜 더 세밀한 디테일을 제공할 수 있습니다.
`embed`	`list[int]`	`None`	특징 벡터 또는 임베딩을 추출할 레이어를 지정합니다. 클러스터링이나 유사도 검색과 같은 다운스트림 작업에 유용합니다.

시각화 인수:

인수	유형	기본값	설명
`show`	`bool`	`False`	만약 `True`를 클릭하면 주석이 달린 이미지 또는 동영상이 창에 표시됩니다. 개발 또는 테스트 중에 즉각적인 시각적 피드백을 받을 때 유용합니다.
`save`	`bool`	`False`	주석이 달린 이미지나 동영상을 파일로 저장할 수 있습니다. 문서화, 추가 분석 또는 결과 공유에 유용합니다.
`save_frames`	`bool`	`False`	동영상 처리 시 개별 프레임을 이미지로 저장합니다. 특정 프레임을 추출하거나 프레임별로 세부적으로 분석할 때 유용합니다.
`save_txt`	`bool`	`False`	탐지 결과를 다음 형식에 따라 텍스트 파일로 저장합니다. `[class] [x_center] [y_center] [width] [height] [confidence]`. 다른 분석 도구와의 통합에 유용합니다.
`save_conf`	`bool`	`False`	저장된 텍스트 파일에 신뢰도 점수를 포함합니다. 후처리 및 분석에 사용할 수 있는 세부 정보를 향상시킵니다.
`save_crop`	`bool`	`False`	탐지된 이미지를 잘라낸 이미지를 저장합니다. 데이터 세트 보강, 분석 또는 특정 개체에 대한 집중 데이터 세트 생성에 유용합니다.
`show_labels`	`bool`	`True`	시각적 출력에 각 감지 항목에 대한 레이블을 표시합니다. 감지된 개체에 대한 즉각적인 이해를 제공합니다.
`show_conf`	`bool`	`True`	각 탐지에 대한 신뢰도 점수를 라벨과 함께 표시합니다. 각 탐지에 대한 모델의 확실성에 대한 인사이트를 제공합니다.
`show_boxes`	`bool`	`True`	감지된 개체 주위에 경계 상자를 그립니다. 이미지 또는 비디오 프레임에서 물체를 시각적으로 식별하고 위치를 파악하는 데 필수적입니다.
`line_width`	`None or int`	`None`	경계 상자의 선 너비를 지정합니다. 만약 `None`를 클릭하면 이미지 크기에 따라 선 너비가 자동으로 조정됩니다. 선명도를 위한 시각적 사용자 지정 기능을 제공합니다.

이미지 및 비디오 형식

YOLOv8 는 ultralytics/data/utils .py에 지정된 대로 다양한 이미지 및 동영상 형식을 지원합니다. 유효한 접미사 및 예제 예측 명령은 아래 표를 참조하세요.

이미지

아래 표에는 유효한 Ultralytics 이미지 형식이 포함되어 있습니다.

이미지 접미사	예측 명령 예제	참조
`.bmp`	`yolo predict source=image.bmp`	Microsoft BMP 파일 형식
`.dng`	`yolo predict source=image.dng`	Adobe DNG
`.jpeg`	`yolo predict source=image.jpeg`	JPEG
`.jpg`	`yolo predict source=image.jpg`	JPEG
`.mpo`	`yolo predict source=image.mpo`	다중 사진 개체
`.png`	`yolo predict source=image.png`	휴대용 네트워크 그래픽
`.tif`	`yolo predict source=image.tif`	태그 이미지 파일 형식
`.tiff`	`yolo predict source=image.tiff`	태그 이미지 파일 형식
`.webp`	`yolo predict source=image.webp`	WebP
`.pfm`	`yolo predict source=image.pfm`	휴대용 플로트맵

동영상

아래 표에는 유효한 Ultralytics 동영상 형식이 포함되어 있습니다.

비디오 접미사	예측 명령 예제	참조
`.asf`	`yolo predict source=video.asf`	고급 시스템 형식
`.avi`	`yolo predict source=video.avi`	오디오 비디오 인터리브
`.gif`	`yolo predict source=video.gif`	그래픽 교환 형식
`.m4v`	`yolo predict source=video.m4v`	MPEG-4 파트 14
`.mkv`	`yolo predict source=video.mkv`	마트로스카
`.mov`	`yolo predict source=video.mov`	QuickTime 파일 형식
`.mp4`	`yolo predict source=video.mp4`	MPEG-4 파트 14 - 위키백과
`.mpeg`	`yolo predict source=video.mpeg`	MPEG-1 파트 2
`.mpg`	`yolo predict source=video.mpg`	MPEG-1 파트 2
`.ts`	`yolo predict source=video.ts`	MPEG 전송 스트림
`.wmv`	`yolo predict source=video.wmv`	Windows 미디어 비디오
`.webm`	`yolo predict source=video.webm`	WebM 프로젝트

결과 작업

모두 Ultralytics predict() 호출은 다음과 같은 목록을 반환합니다. Results 객체입니다:

결과

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Run inference on an image
results = model('bus.jpg')  # list of 1 Results object
results = model(['bus.jpg', 'zidane.jpg'])  # list of 2 Results objects

Results 객체에는 다음과 같은 속성이 있습니다:

속성	유형	설명
`orig_img`	`numpy.ndarray`	원본 이미지가 덩어리 배열로 표시됩니다.
`orig_shape`	`tuple`	(높이, 너비) 형식의 원본 이미지 모양입니다.
`boxes`	`Boxes, optional`	감지 경계 상자가 포함된 박스 개체입니다.
`masks`	`Masks, optional`	감지 마스크가 포함된 마스크 객체입니다.
`probs`	`Probs, optional`	분류 작업에 대한 각 클래스의 확률을 포함하는 Probs 객체입니다.
`keypoints`	`Keypoints, optional`	각 객체에 대해 감지된 키포인트가 포함된 키포인트 객체입니다.
`obb`	`OBB, optional`	방향이 지정된 바운딩 박스를 포함하는 OBB 객체입니다.
`speed`	`dict`	이미지당 밀리초 단위의 전처리, 추론 및 후처리 속도 사전입니다.
`names`	`dict`	클래스 이름 사전입니다.
`path`	`str`	이미지 파일의 경로입니다.

Results 객체에는 다음과 같은 메서드가 있습니다:

방법	반환 유형	설명
`update()`	`None`	결과 개체의 상자, 마스크 및 프로브 속성을 업데이트합니다.
`cpu()`	`Results`	CPU 메모리에 있는 모든 텐서가 포함된 결과 객체의 복사본을 반환합니다.
`numpy()`	`Results`	모든 텐서가 포함된 결과 객체의 복사본을 널 배열로 반환합니다.
`cuda()`	`Results`	GPU 메모리에 있는 모든 텐서가 포함된 결과 오브젝트의 사본을 반환합니다.
`to()`	`Results`	지정된 디바이스 및 dtype의 텐서가 포함된 결과 객체의 복사본을 반환합니다.
`new()`	`Results`	동일한 이미지, 경로 및 이름을 가진 새 결과 개체를 반환합니다.
`plot()`	`numpy.ndarray`	탐지 결과를 플로팅합니다. 주석이 달린 이미지의 널 배열을 반환합니다.
`show()`	`None`	주석이 달린 결과를 화면에 표시합니다.
`save()`	`None`	주석이 달린 결과를 파일에 저장합니다.
`verbose()`	`str`	각 작업에 대한 로그 문자열을 반환합니다.
`save_txt()`	`None`	예측을 txt 파일로 저장합니다.
`save_crop()`	`None`	잘린 예측을 다음 위치에 저장합니다. `save_dir/cls/file_name.jpg`.
`tojson()`	`str`	개체를 JSON 형식으로 변환합니다.

자세한 내용은 Results 클래스 문서.

상자

Boxes 객체를 사용하여 바운딩 박스를 색인하고, 조작하고, 다른 형식으로 변환할 수 있습니다.

상자

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Run inference on an image
results = model('bus.jpg')  # results list

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

다음은 표입니다. Boxes 클래스 메서드 및 속성(이름, 유형 및 설명 포함)을 포함합니다:

이름	유형	설명
`cpu()`	방법	개체를 CPU 메모리로 이동합니다.
`numpy()`	방법	객체를 널 배열로 변환합니다.
`cuda()`	방법	오브젝트를 CUDA 메모리로 이동합니다.
`to()`	방법	개체를 지정된 장치로 이동합니다.
`xyxy`	속성 (`torch.Tensor`)	상자를 xyxy 형식으로 반환합니다.
`conf`	속성 (`torch.Tensor`)	상자의 신뢰도 값을 반환합니다.
`cls`	속성 (`torch.Tensor`)	상자의 클래스 값을 반환합니다.
`id`	속성 (`torch.Tensor`)	상자의 트랙 ID를 반환합니다(가능한 경우).
`xywh`	속성 (`torch.Tensor`)	상자를 xywh 형식으로 반환합니다.
`xyxyn`	속성 (`torch.Tensor`)	원본 이미지 크기에 따라 정규화된 xyxy 형식의 상자를 반환합니다.
`xywhn`	속성 (`torch.Tensor`)	원본 이미지 크기로 정규화된 xywh 형식의 상자를 반환합니다.

자세한 내용은 Boxes 클래스 문서.

마스크

Masks 객체를 사용하여 마스크를 인덱싱하고, 조작하고, 세그먼트로 변환할 수 있습니다.

마스크

from ultralytics import YOLO

# Load a pretrained YOLOv8n-seg Segment model
model = YOLO('yolov8n-seg.pt')

# Run inference on an image
results = model('bus.jpg')  # results list

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

다음은 표입니다. Masks 클래스 메서드 및 속성(이름, 유형 및 설명 포함)을 포함합니다:

이름	유형	설명
`cpu()`	방법	CPU 메모리에서 tensor 마스크를 반환합니다.
`numpy()`	방법	tensor 마스크를 널 배열로 반환합니다.
`cuda()`	방법	GPU 메모리에 있는 마스크 tensor 를 반환합니다.
`to()`	방법	지정된 장치 및 dtype을 가진 tensor 마스크를 반환합니다.
`xyn`	속성 (`torch.Tensor`)	텐서로 표현된 정규화된 세그먼트의 목록입니다.
`xy`	속성 (`torch.Tensor`)	텐서로 표현된 픽셀 좌표의 세그먼트 목록입니다.

자세한 내용은 Masks 클래스 문서.

키포인트

Keypoints 객체를 사용하여 좌표를 색인하고, 조작하고, 정규화할 수 있습니다.

키포인트

from ultralytics import YOLO

# Load a pretrained YOLOv8n-pose Pose model
model = YOLO('yolov8n-pose.pt')

# Run inference on an image
results = model('bus.jpg')  # results list

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

다음은 표입니다. Keypoints 클래스 메서드 및 속성(이름, 유형 및 설명 포함)을 포함합니다:

이름	유형	설명
`cpu()`	방법	CPU 메모리에 있는 키포인트 tensor 를 반환합니다.
`numpy()`	방법	키포인트 tensor 를 널 배열로 반환합니다.
`cuda()`	방법	GPU 메모리에 있는 키포인트 tensor 를 반환합니다.
`to()`	방법	지정된 장치 및 dtype을 사용하여 tensor 키포인트를 반환합니다.
`xyn`	속성 (`torch.Tensor`)	텐서로 표현된 정규화된 키포인트 목록입니다.
`xy`	속성 (`torch.Tensor`)	텐서로 표현된 픽셀 좌표의 키포인트 목록입니다.
`conf`	속성 (`torch.Tensor`)	사용 가능한 경우 키포인트의 신뢰도 값을 반환하고, 그렇지 않으면 없음입니다.

자세한 내용은 Keypoints 클래스 문서.

Probs

Probs 객체를 사용할 수 있습니다. top1 그리고 top5 인덱스 및 분류 점수.

Probs

from ultralytics import YOLO

# Load a pretrained YOLOv8n-cls Classify model
model = YOLO('yolov8n-cls.pt')

# Run inference on an image
results = model('bus.jpg')  # results list

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

다음은 메서드와 속성을 요약한 표입니다. Probs 클래스:

이름	유형	설명
`cpu()`	방법	CPU 메모리에 probs tensor 의 복사본을 반환합니다.
`numpy()`	방법	probs tensor 의 사본을 널 배열로 반환합니다.
`cuda()`	방법	GPU 메모리에 probs tensor 의 복사본을 반환합니다.
`to()`	방법	지정된 장치 및 dtype이 포함된 probs tensor 사본을 반환합니다.
`top1`	속성 (`int`)	상위 1등급의 인덱스입니다.
`top5`	속성 (`list[int]`)	상위 5개 클래스의 지표입니다.
`top1conf`	속성 (`torch.Tensor`)	상위 1등급의 자신감.
`top5conf`	속성 (`torch.Tensor`)	상위 5개 클래스의 자신감.

자세한 내용은 Probs 클래스 문서.

OBB

OBB 객체를 사용하여 방향이 지정된 바운딩 박스를 색인하고, 조작하고, 다른 형식으로 변환할 수 있습니다.

OBB

from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n-obb.pt')

# Run inference on an image
results = model('bus.jpg')  # results list

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

다음은 표입니다. OBB 클래스 메서드 및 속성(이름, 유형 및 설명 포함)을 포함합니다:

이름	유형	설명
`cpu()`	방법	개체를 CPU 메모리로 이동합니다.
`numpy()`	방법	객체를 널 배열로 변환합니다.
`cuda()`	방법	오브젝트를 CUDA 메모리로 이동합니다.
`to()`	방법	개체를 지정된 장치로 이동합니다.
`conf`	속성 (`torch.Tensor`)	상자의 신뢰도 값을 반환합니다.
`cls`	속성 (`torch.Tensor`)	상자의 클래스 값을 반환합니다.
`id`	속성 (`torch.Tensor`)	상자의 트랙 ID를 반환합니다(가능한 경우).
`xyxy`	속성 (`torch.Tensor`)	가로 상자를 xyxy 형식으로 반환합니다.
`xywhr`	속성 (`torch.Tensor`)	회전된 상자를 xywhr 형식으로 반환합니다.
`xyxyxyxy`	속성 (`torch.Tensor`)	회전된 상자를 xyxyxyxy 형식으로 반환합니다.
`xyxyxyxyn`	속성 (`torch.Tensor`)	회전된 상자를 이미지 크기에 따라 정규화된 xyxyxyxy 형식으로 반환합니다.

자세한 내용은 OBB 클래스 문서.

결과 플로팅

그리고 plot() 메서드의 Results 개체를 사용하면 감지된 개체(예: 바운딩 박스, 마스크, 키포인트, 확률)를 원본 이미지에 오버레이하여 예측을 쉽게 시각화할 수 있습니다. 이 메서드는 주석이 달린 이미지를 NumPy 배열로 반환하므로 쉽게 표시하거나 저장할 수 있습니다.

플로팅

from PIL import Image
from ultralytics import YOLO

# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')

# Run inference on 'bus.jpg'
results = model(['bus.jpg', '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

그리고 plot() 메서드는 다양한 인수를 지원하여 출력을 사용자 정의할 수 있습니다:

인수	유형	설명	기본값
`conf`	`bool`	탐지 신뢰도 점수를 포함하세요.	`True`
`line_width`	`float`	경계 상자의 선 너비입니다. 다음과 같은 경우 이미지 크기에 따라 조정됩니다. `None`.	`None`
`font_size`	`float`	텍스트 글꼴 크기. 다음과 같은 경우 이미지 크기에 따라 조정됩니다. `None`.	`None`
`font`	`str`	텍스트 주석의 글꼴 이름입니다.	`'Arial.ttf'`
`pil`	`bool`	이미지를 PIL 이미지 객체로 반환합니다.	`False`
`img`	`numpy.ndarray`	플로팅을 위한 대체 이미지. 다음과 같은 경우 원본 이미지를 사용합니다. `None`.	`None`
`im_gpu`	`torch.Tensor`	더 빠른 마스크 플로팅을 위한 GPU 가속 이미지. 모양: (1, 3, 640, 640).	`None`
`kpt_radius`	`int`	그려진 키포인트의 반경입니다.	`5`
`kpt_line`	`bool`	키포인트를 선으로 연결합니다.	`True`
`labels`	`bool`	주석에 클래스 레이블을 포함합니다.	`True`
`boxes`	`bool`	이미지에 경계 상자를 오버레이합니다.	`True`
`masks`	`bool`	이미지에 마스크를 오버레이합니다.	`True`
`probs`	`bool`	분류 확률을 포함합니다.	`True`
`show`	`bool`	기본 이미지 뷰어를 사용하여 주석이 달린 이미지를 바로 표시합니다.	`False`
`save`	`bool`	주석이 달린 이미지를 다음에서 지정한 파일에 저장합니다. `filename`.	`False`
`filename`	`str`	주석이 달린 이미지를 저장할 파일의 경로 및 이름(다음과 같은 경우) `save` 는 `True`.	`None`

스레드 안전 추론

여러 개의 YOLO 모델을 여러 스레드에서 병렬로 실행하는 경우 추론 중 스레드 안전성을 보장하는 것이 중요합니다. 스레드 안전 추론은 각 스레드의 예측이 격리되고 서로 간섭하지 않도록 보장하여 경쟁 조건을 피하고 일관되고 신뢰할 수 있는 출력을 보장합니다.

멀티 스레드 애플리케이션에서 YOLO 모델을 사용하는 경우 각 스레드에 대해 별도의 모델 객체를 인스턴스화하거나 스레드 로컬 저장소를 사용하여 충돌을 방지하는 것이 중요합니다:

스레드 안전 추론

스레드 안전 추론을 위해 각 스레드 내부에 단일 모델을 인스턴스화합니다:

from ultralytics import YOLO
from threading import Thread

def thread_safe_predict(image_path):
    """Performs thread-safe prediction on an image using a locally instantiated YOLO model."""
    local_model = YOLO("yolov8n.pt")
    results = local_model.predict(image_path)
    # Process results


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

YOLO 모델을 사용한 스레드 안전 추론에 대한 자세한 내용과 단계별 지침은 YOLO 스레드 안전 추론 가이드를 참조하세요. 이 가이드는 일반적인 함정을 피하고 멀티스레드 추론이 원활하게 실행되도록 하는 데 필요한 모든 정보를 제공합니다.

스트리밍 소스 `for`-loop

다음은 OpenCV를 사용하는 Python 스크립트입니다(cv2) 및 YOLOv8 를 사용하여 비디오 프레임에 대한 추론을 실행합니다. 이 스크립트는 필요한 패키지를 이미 설치했다고 가정합니다(opencv-python 그리고 ultralytics).

포-루프 스트리밍

import cv2
from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO('yolov8n.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 YOLOv8 inference on the frame
        results = model(frame)

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

        # Display the annotated frame
        cv2.imshow("YOLOv8 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 동영상의 각 프레임에 대해 예측을 실행하고 결과를 시각화하여 창에 표시합니다. 'Q'를 눌러 루프를 종료할 수 있습니다.

생성 2023-11-12, 업데이트 2024-05-03
저자: glenn-jocher (18), UltralyticsAssistant (1), Burhan-Q (1), plashchynski (1), tensorturtle (1), AyushExel (1), Laughing-q (1)

다음을 사용한 모델 예측 Ultralytics YOLO

소개

실제 애플리케이션

추론에 Ultralytics YOLO 을 사용하는 이유는 무엇인가요?

예측 모드의 주요 기능

추론 소스

추론 인수

이미지 및 비디오 형식

이미지

동영상

결과 작업

상자

마스크

키포인트

Probs

OBB

결과 플로팅

plot() 메서드 매개변수

스레드 안전 추론

스트리밍 소스 for-loop

댓글

`plot()` 메서드 매개변수

스트리밍 소스 `for`-loop