YOLO Vision 2026:

Ultralytics 설치#

Ultralytics는 pip, conda, Docker를 포함한 다양한 설치 방법을 제공합니다. 최신 안정 버전을 위해 ultralytics pip 패키지를 통해 YOLO를 설치하거나, 가장 최신 버전을 위해 Ultralytics GitHub repository를 복제(cloning)하여 설치할 수 있습니다. 또한 Docker를 사용하면 로컬 설치를 피하고 격리된 컨테이너에서 패키지를 실행할 수 있습니다.



Watch: Ultralytics YOLO Quick Start Guide
설치

PyPI - Python Version

pip install -U ultralytics을 실행하여 pip를 통해 ultralytics 패키지를 설치하거나 업데이트하십시오. ultralytics 패키지에 대한 자세한 내용은 Python Package Index (PyPI)에서 확인하십시오.

PyPI - Version Downloads

# Install or upgrade the ultralytics package from PyPI
pip install -U ultralytics

또한 Ultralytics GitHub repository에서 직접 ultralytics을 설치할 수 있습니다. 이는 최신 개발 버전을 원할 때 유용할 수 있습니다. Git 명령줄 도구가 설치되어 있는지 확인한 후 다음을 실행하십시오.

# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main

종속성 목록은 ultralytics pyproject.toml 파일을 참조하십시오. 위의 모든 예제는 필요한 모든 종속성을 설치합니다.

팁

PyTorch 요구 사항은 운영 체제 및 CUDA 요구 사항에 따라 다르므로 PyTorch의 지침에 따라 PyTorch를 먼저 설치하십시오.

PyTorch installation selector for different platforms

헤드리스 서버 설치#

디스플레이가 없는 서버 환경(예: 클라우드 VM, Docker 컨테이너, CI/CD 파이프라인)의 경우 ultralytics-opencv-headless 패키지를 사용하십시오. 이는 표준 ultralytics 패키지와 동일하지만 opencv-python 대신 opencv-python-headless에 의존하므로 불필요한 GUI 종속성과 잠재적인 libGL 오류를 방지합니다.

헤드리스 설치
pip install ultralytics-opencv-headless

두 패키지 모두 동일한 기능과 API를 제공합니다. 헤드리스 변형은 단순히 디스플레이 라이브러리가 필요한 OpenCV의 GUI 구성 요소를 제외합니다.

고급 설치#

표준 설치 방법이 대부분의 사용 사례를 다루지만, 개발이나 사용자 지정 구성을 위해 더 맞춤화된 설정이 필요할 수 있습니다.

고급 방법

영구적인 사용자 지정 수정이 필요한 경우 Ultralytics 저장소를 포크하고, pyproject.toml 또는 기타 코드를 변경한 다음 포크에서 설치할 수 있습니다.

  1. Ultralytics GitHub repository를 자신의 GitHub 계정으로 포크(Fork) 하십시오.
  2. 포크를 로컬에 복제(Clone) 하십시오: 
    git clone https://github.com/YOUR_USERNAME/ultralytics.git
cd ultralytics
  3. 변경 사항을 위한 새 브랜치를 생성하십시오: 
    git checkout -b my-custom-branch
  4. 필요에 따라 pyproject.toml 또는 기타 파일에 수정을 가하십시오.
  5. 변경 사항을 커밋 및 푸시(Commit and push) 하십시오: 
    git add .
git commit -m "My custom changes"
git push origin my-custom-branch
  6. 브랜치를 지정하는 git+https 구문으로 pip를 사용하여 설치하십시오: 
    pip install git+https://github.com/YOUR_USERNAME/ultralytics.git@my-custom-branch

CLI와 함께 Ultralytics 사용#

Ultralytics 명령줄 인터페이스(CLI)를 사용하면 Python 환경 없이도 간단한 단일 라인 명령을 사용할 수 있습니다. CLI는 사용자 지정이나 Python 코드가 필요하지 않으며, yolo 명령을 사용하여 터미널에서 모든 작업을 실행할 수 있습니다. 명령줄에서 YOLO를 사용하는 방법에 대한 자세한 내용은 CLI Guide를 참조하십시오.

예시

Ultralytics yolo 명령은 다음 구문을 사용합니다:

yolo TASK MODE ARGS

전체 Configuration Guide에서나 yolo cfg CLI 명령을 사용하여 모든 ARGS을 확인하십시오.

경고

인수는 arg=value 쌍으로 전달되어야 하며, 등호 = 기호로 분리되고 공백으로 구분되어야 합니다. 인수 사이에 -- 인수 접두사나 쉼표 ,를 사용하지 마십시오.

  • yolo predict model=yolo26n.pt imgsz=640 conf=0.25 ✅
  • yolo predict model yolo26n.pt imgsz 640 conf 0.25 ❌ (= 누락)
  • yolo predict model=yolo26n.pt, imgsz=640, conf=0.25 ❌ (, 사용 금지)
  • yolo predict --model yolo26n.pt --imgsz 640 --conf 0.25 ❌ (-- 사용 금지)
  • yolo solution model=yolo26n.pt imgsz=640 conf=0.25 ❌ (solution 대신 solutions 사용)

CLI Guide

Python과 함께 Ultralytics 사용#

Ultralytics YOLO Python 인터페이스는 Python 프로젝트에 원활한 통합을 제공하므로 모델 출력을 쉽게 로드, 실행 및 처리할 수 있습니다. 단순성을 위해 설계된 Python 인터페이스를 통해 사용자는 object detection, instance segmentation, semantic segmentation, depth estimation, 및 classification을 빠르게 구현할 수 있습니다. 이는 YOLO Python 인터페이스를 Python 프로젝트에 이러한 기능을 통합하는 데 매우 유용한 도구로 만듭니다.

예를 들어, 사용자는 몇 줄의 코드만으로 모델을 로드하고, 학습하고, 성능을 평가하고, ONNX 형식으로 내보낼 수 있습니다. Python 프로젝트 내에서 YOLO를 사용하는 방법에 대해 자세히 알아보려면 Python Guide를 살펴보십시오.

예시
from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo26n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo26n.pt")

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format
success = model.export(format="onnx")

Python Guide

Ultralytics 설정#

Ultralytics 라이브러리에는 실험에 대한 세밀한 제어를 위한 SettingsManager이 포함되어 있어 사용자가 설정을 쉽게 액세스하고 수정할 수 있습니다. 환경의 사용자 설정 디렉토리 내 JSON 파일에 저장되는 이 설정은 Python 환경이나 명령줄 인터페이스(CLI)를 통해 보고 수정할 수 있습니다.

설정 확인#

현재 설정 구성을 보려면:

설정 확인

ultralytics 모듈에서 settings 객체를 가져와 Python을 사용하여 설정을 확인하십시오. 다음 명령으로 설정을 인쇄하고 반환하십시오:

from ultralytics import settings

# View all settings
print(settings)

# Return a specific setting
value = settings["runs_dir"]

설정 수정#

Ultralytics는 다음과 같은 방법으로 설정을 쉽게 수정할 수 있도록 합니다:

설정 업데이트

Python에서는 settings 객체에서 update 메서드를 사용하십시오:

from ultralytics import settings

# Update a setting
settings.update({"runs_dir": "/path/to/runs"})

# Update multiple settings
settings.update({"runs_dir": "/path/to/runs", "tensorboard": False})

# Reset settings to default values
settings.reset()

설정 이해#

아래 표는 예제 값, 데이터 형식, 설명을 포함하여 Ultralytics 내의 조정 가능한 설정에 대한 개요를 제공합니다.

이름Example Value데이터 형식설명
settings_version'0.0.7'strUltralytics settings 버전 (Ultralytics [pip] 버전과 다름)
datasets_dir'/path/to/datasets'str데이터셋이 저장되는 디렉토리
weights_dir'/path/to/weights'str모델 가중치가 저장되는 디렉토리
runs_dir'/path/to/runs'str실험 실행 결과가 저장되는 디렉토리
uuid'a1b2c3d4'str현재 설정에 대한 고유 식별자
syncTruebool[Ultralytics Platform]에 분석 데이터 및 오류 보고를 동기화하는 옵션입니다.
api_key''str[Ultralytics Platform] API Key
clearmlTruebool[ClearML] 로깅을 사용하는 옵션입니다.
cometTruebool실험 추적 및 시각화를 위해 [Comet ML]을 사용하는 옵션입니다.
dvcTruebool실험 추적 및 버전 관리를 위해 [DVC for experiment tracking]을 사용하는 옵션입니다.
mlflowTruebool실험 추적을 위해 [MLFlow]를 사용하는 옵션입니다.
raytuneTrueboolhyperparameter tuning을 위해 [Ray Tune]을 사용하는 옵션입니다.
tensorboardFalsebool시각화를 위해 [TensorBoard]를 사용하는 옵션입니다.
wandbFalsebool[Weights & Biases] 로깅을 사용하는 옵션입니다.
vscode_msgTrueboolVS Code 터미널이 감지되면 [Ultralytics-Snippets] 확장을 다운로드하라는 프롬프트를 활성화합니다.

프로젝트나 실험을 진행하면서 최적의 구성을 보장하기 위해 이러한 설정을 다시 확인하십시오.

FAQ#

  • pip를 사용하여 Ultralytics를 설치합니다:

    pip install -U ultralytics

    이렇게 하면 PyPI에서 ultralytics 패키지의 최신 안정 버전을 설치합니다. GitHub에서 직접 개발 버전을 설치하려면 다음을 수행하십시오:

    pip install git+https://github.com/ultralytics/ultralytics.git

    시스템에 Git 명령줄 도구가 설치되어 있는지 확인하십시오.

  • 예, 다음을 사용하여 conda로 Ultralytics YOLO를 설치합니다:

    conda install -c conda-forge ultralytics

    이 방법은 pip의 훌륭한 대안이며 다른 패키지와의 호환성을 보장합니다. CUDA 환경의 경우 충돌을 해결하기 위해 ultralytics, pytorch, pytorch-cuda를 함께 설치하십시오:

    conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralytics

    자세한 지침은 Conda quickstart guide를 참조하십시오.

  • Docker는 Ultralytics YOLO를 위한 격리되고 일관된 환경을 제공하여 시스템 간에 원활한 성능을 보장하고 로컬 설치의 복잡성을 방지합니다. 공식 Docker 이미지는 GPU, CPU, ARM64, NVIDIA Jetson, Conda 변형과 함께 Docker Hub에서 사용할 수 있습니다. 최신 이미지를 가져와서 실행하려면 다음을 수행하십시오:

    # Pull the latest ultralytics image from Docker Hub
sudo docker pull ultralytics/ultralytics:latest

# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --device nvidia.com/gpu=all ultralytics/ultralytics:latest

    자세한 Docker 지침은 Docker quickstart guide를 참조하십시오.

  • Ultralytics 저장소를 복제하고 다음을 사용하여 개발 환경을 설정합니다:

    # Clone the ultralytics repository
git clone https://github.com/ultralytics/ultralytics

# Navigate to the cloned directory
cd ultralytics

# Install the package in editable mode for development
pip install -e .

    이를 통해 프로젝트에 기여하거나 최신 소스 코드로 실험할 수 있습니다. 자세한 내용은 Ultralytics GitHub repository를 방문하십시오.

  • Ultralytics YOLO CLI는 Python 코드 없이 객체 감지 작업을 간단하게 실행할 수 있도록 하며, 터미널에서 직접 단일 줄 명령어로 학습, 검증, 예측을 수행할 수 있게 합니다. 기본 구문은 다음과 같습니다:

    yolo TASK MODE ARGS

    예를 들어, 감지 모델을 학습하려면 다음을 수행하십시오:

    yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

    전체 CLI Guide에서 더 많은 명령어와 사용 예제를 살펴보십시오.

기여자
GLglenn-jocher36RIRizwanMunawar6RAraimbekovm3LALaughing-q3PDpderrenger3BUBurhan-Q3ONonuralpszr2JKjk4e2SEsergiuwaxmann1BOBovey08091FCfcakyon1LAlakshanthad1PIpicsalex1LEleonnil1MAMatthewNoyce1

댓글