Ultralytics 설치#
ultralytics 패키지를 pip, conda, Docker 또는 소스에서 설치한 다음, 사전 학습된 YOLO26 모델로 첫 번째 예측을 실행합니다. 모든 메서드는 pyproject.toml에 나열된 모든 필수 종속성을 설치합니다.
Python>=3.8 환경에서 PyTorch>=1.8로 ultralytics 패키지를 설치하거나 업데이트합니다:
pip install -U ultralytics최신 개발 버전을 사용하려면 Ultralytics GitHub repository에서 직접 설치합니다:
pip install git+https://github.com/ultralytics/ultralytics.git@mainPyTorch 요구 사항은 운영 체제 및 CUDA 버전에 따라 다릅니다. 특정 빌드를 사용하려면 PyTorch installation instructions에 따라 PyTorch를 먼저 설치한 다음 ultralytics를 설치하십시오.
CLI와 함께 Ultralytics 사용#
터미널에서 yolo 명령어로 첫 번째 예측을 실행합니다:
yolo predict model=yolo26n.pt사전 학습된 yolo26n.pt 가중치가 자동으로 다운로드되고, 모델이 두 개의 번들 샘플 이미지에서 실행되며, 명령어가 주석이 추가된 결과가 저장된 위치(runs/detect/predict, 첫 실행 시)를 출력합니다. source를 사용자의 이미지, 비디오, 디렉토리, URL, 스트림 또는 source=0을 사용하는 웹캠으로 지정하십시오:
yolo predict model=yolo26n.pt source=0 show=Truepredict은 모델로 수행할 작업인 mode입니다: train, val, predict, export, track, benchmark. task(detect, segment, semantic, depth, classify, pose, obb)는 모델 파일에서 읽어오므로, yolo TASK MODE ARGS 구문은 보통 모드와 imgsz=640과 같은 arg=value 쌍만 필요합니다. 모든 모드에 대해서는 CLI Guide를, 모든 인수에 대해서는 Configuration 페이지를 참조하십시오.
Python과 함께 Ultralytics 사용#
Python에서의 동일한 예측:
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # load a pretrained YOLO26n detection model
results = model("https://ultralytics.com/images/bus.jpg", save=True) # predict and save the annotated imageresults은 이미지당 하나씩 Results 객체의 목록이며, 작업에 따라 상자, 마스크, 키포인트 또는 클래스 확률을 포함합니다. Python Guide에서는 동일한 YOLO 클래스를 사용한 학습, 검증, 내보내기 및 추적을 다룹니다.
Watch: Ultralytics YOLO Quick Start Guide
Ultralytics 설정#
데이터셋, 가중치 및 실행 디렉토리, Ultralytics Platform API 키, 실험 로거 토글과 같은 영구 설정은 yolo settings로 관리되는 JSON 파일에 저장됩니다. 이를 확인, 변경 또는 재설정하려면 Settings 페이지를 참조하십시오.
다음 단계#
YOLO가 실행되는 modes와 YOLO26 모델 크기를 살펴본 다음, Datasets guide로 데이터를 형식화한 후 train on your own data 하십시오.
향후 출시될 모델을 미리 살펴보려면 YOLO27 (출시 예정)을(를) 확인해 보십시오. 해당 모델은 아직 사용할 수 없으며, 위의 예제는 이미 출시된 YOLO26 패밀리를 사용합니다.
FAQ#
pip를 사용하여 Ultralytics를 설치합니다:
pip install -U ultralytics이렇게 하면 PyPI에서
ultralytics패키지의 최신 안정 버전을 설치합니다. GitHub에서 직접 개발 버전을 설치하려면 다음을 수행하십시오:pip install git+https://github.com/ultralytics/ultralytics.git시스템에 Git 명령줄 도구가 설치되어 있는지 확인하십시오.
예, 다음을 사용하여 conda로 Ultralytics YOLO를 설치합니다:
conda install -c conda-forge ultralytics이 방법은 pip의 훌륭한 대안이며 다른 패키지와의 호환성을 보장합니다. CUDA 환경의 경우 conda가 CUDA 지원 PyTorch 빌드를 선택할 수 있도록
ultralytics을pytorch-gpu메타패키지와 함께 설치하십시오.conda install -c conda-forge ultralytics pytorch-gpu자세한 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:latestLinux에서는 CDI 장치 요청에 Docker >= 28.2.0 및 NVIDIA Container Toolkit >= 1.18이 필요합니다. 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. 포크 및 사용자 지정 브랜치 고정에 대해서는 Development Installation을 참조하십시오.
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 ARGS예를 들어, 감지 모델을 학습하려면 다음을 수행하십시오:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01전체 CLI Guide에서 더 많은 명령어와 사용 예제를 살펴보십시오.