Ultralytics 설치#
Ultralytics는 pip, conda, Docker를 비롯한 다양한 설치 방법을 제공합니다. 최신 안정 버전을 위해 ultralytics pip 패키지를 통해 YOLO를 설치하거나, 가장 최신 버전을 위해 Ultralytics GitHub 저장소를 복제하여 설치할 수 있습니다. 또한 Docker를 사용하여 격리된 컨테이너에서 패키지를 실행하면 로컬 설치를 피할 수 있습니다.
Watch: Ultralytics YOLO Quick Start Guide
pip install -U ultralytics을(를) 실행하여 pip로 ultralytics 패키지를 설치하거나 업데이트하세요. ultralytics 패키지에 대한 자세한 내용은 Python Package Index (PyPI)를 방문하세요.
# Install or upgrade the ultralytics package from PyPI
pip install -U ultralytics또한 Ultralytics GitHub repository에서 직접 ultralytics을(를) 설치할 수도 있습니다. 최신 개발 버전을 사용하려는 경우 유용할 수 있습니다. Git 명령줄 도구가 설치되어 있는지 확인한 후 다음을 실행하세요.
# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main종속성 목록은 ultralytics pyproject.toml 파일을 참조하세요. 위의 모든 예제는 필요한 모든 종속성을 설치합니다.
헤드리스(Headless) 서버 설치#
디스플레이가 없는 서버 환경(예: 클라우드 VM, Docker 컨테이너, CI/CD 파이프라인)의 경우 ultralytics-opencv-headless 패키지를 사용하세요. 이는 표준 ultralytics 패키지와 동일하지만 opencv-python 대신 opencv-python-headless에 의존하므로 불필요한 GUI 종속성과 잠재적인 libGL 오류를 방지할 수 있습니다.
pip install ultralytics-opencv-headless두 패키지 모두 동일한 기능과 API를 제공합니다. 헤드리스 변형은 단순히 디스플레이 라이브러리가 필요한 OpenCV의 GUI 구성 요소만 제외합니다.
고급 설치#
표준 설치 방법으로 대부분의 사용 사례를 다룰 수 있지만, 개발이나 사용자 지정 구성을 위해 더 맞춤화된 설정이 필요할 수 있습니다.
영구적인 사용자 지정 수정이 필요한 경우 Ultralytics 저장소를 포크하고 pyproject.toml 또는 기타 코드를 수정한 후 포크에서 설치할 수 있습니다.
- Ultralytics GitHub 저장소를 본인의 GitHub 계정으로 **포크(Fork)**합니다.
- 본인의 포크를 로컬로 클론하십시오:
git clone https://github.com/YOUR_USERNAME/ultralytics.git cd ultralytics - 변경 사항을 위한 새 브랜치를 생성하십시오:
git checkout -b my-custom-branch - 필요에 따라
pyproject.toml또는 기타 파일을 수정합니다. - 변경 사항을 커밋 및 푸시하십시오:
git add . git commit -m "My custom changes" git push origin my-custom-branch - 브랜치를 지정하여
git+https구문으로 pip를 사용하여 설치합니다.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 줄 명령어를 사용할 수 있습니다. CLI는 사용자 지정이나 Python 코드가 필요하지 않으며, yolo 명령어로 터미널에서 모든 작업을 실행할 수 있습니다. 명령줄에서 YOLO를 사용하는 방법에 대한 자세한 내용은 CLI Guide를 참조하세요.
Ultralytics yolo 명령어는 다음 구문을 사용합니다:
yolo TASK MODE ARGSTASK(선택 사항)은 (detect, segment, semantic, depth, classify, pose, obb) 중 하나입니다.MODE(필수)은 (train, val, predict, export, track, benchmark) 중 하나입니다.ARGS(선택 사항)은 기본값을 재정의하는imgsz=640와 같은arg=value쌍입니다.
전체 Configuration Guide에서 또는 yolo cfg CLI 명령어로 모든 ARGS을(를) 확인하세요.
인수는 등호(=)로 구분되고 공백으로 구분되는 arg=value 쌍으로 전달되어야 합니다. 인수 접두사 -- 또는 인수 사이의 쉼표(,)를 사용하지 마세요.
yolo predict model=yolo26n.pt imgsz=640 conf=0.25✅yolo predict model yolo26n.pt imgsz 640 conf 0.25❌ (=누락됨)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❌ (solution가 아니라solutions사용)
Python과 함께 Ultralytics 사용#
Ultralytics YOLO Python 인터페이스는 Python 프로젝트에 원활한 통합을 제공하여 모델 출력을 쉽게 로드, 실행 및 처리할 수 있도록 합니다. 단순성을 위해 설계된 Python 인터페이스를 통해 사용자는 객체 감지, 인스턴스 세분화, 시맨틱 세분화, 깊이 추정, 분류를 빠르게 구현할 수 있습니다. 이는 YOLO Python 인터페이스를 이러한 기능을 Python 프로젝트에 통합하기 위한 귀중한 도구로 만들어 줍니다.
예를 들어, 사용자는 단 몇 줄의 코드로 모델을 로드하고, 학습시키고, 성능을 평가하고, ONNX 형식으로 내보낼 수 있습니다. Python 프로젝트 내에서 YOLO를 사용하는 방법에 대해 자세히 알아보려면 Python Guide를 살펴보세요.
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")Ultralytics 설정#
Ultralytics 라이브러리에는 실험을 세밀하게 제어할 수 있는 SettingsManager이(가) 포함되어 있어 사용자가 쉽게 설정에 액세스하고 수정할 수 있습니다. 환경의 사용자 구성 디렉토리 내에 JSON 파일로 저장되는 이러한 설정은 Python 환경이나 명령줄 인터페이스(CLI)를 통해 보고 수정할 수 있습니다.
설정 확인#
현재 설정 구성을 보려면 다음을 수행하십시오:
ultralytics 모듈에서 settings 객체를 가져와 Python을 사용하여 설정을 확인하세요. 다음 명령어로 설정을 출력하고 반환하세요.
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 지원합니다:
Python에서 settings 객체의 update 메서드를 사용하세요:
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 이해하기#
아래 표는 예시 값, 데이터 유형 및 설명을 포함하여 Ultralytics 내에서 조정 가능한 설정에 대한 개요를 보여줍니다.
| 이름 | 예시 값 | 데이터 유형 | 설명 |
|---|---|---|---|
settings_version | '0.0.7' | str | Ultralytics settings 버전 (Ultralytics [pip] 버전과 다름) |
datasets_dir | '/path/to/datasets' | str | 데이터셋이 저장되는 디렉토리 |
weights_dir | '/path/to/weights' | str | 모델 가중치가 저장되는 디렉토리 |
runs_dir | '/path/to/runs' | str | 실험 실행 결과가 저장되는 디렉토리 |
uuid | 'a1b2c3d4' | str | 현재 설정에 대한 고유 식별자 |
sync | True | bool | [Ultralytics Platform]에 분석 및 충돌 데이터를 동기화하는 옵션 |
api_key | '' | str | [Ultralytics Platform] API Key |
clearml | True | bool | [ClearML] 로깅을 사용하는 옵션 |
comet | True | bool | 실험 추적 및 시각화를 위해 [Comet ML]을 사용하는 옵션 |
dvc | True | bool | 실험 추적 및 버전 관리를 위해 [DVC for experiment tracking]을 사용하는 옵션 |
mlflow | True | bool | 실험 추적을 위해 [MLFlow]를 사용하는 옵션 |
raytune | True | bool | hyperparameter tuning을 위해 [Ray Tune]을 사용하는 옵션 |
tensorboard | False | bool | 시각화를 위해 [TensorBoard]를 사용하는 옵션 |
wandb | False | bool | [Weights & Biases] 로깅을 사용하는 옵션 |
vscode_msg | True | bool | VS Code 터미널이 감지되면 [Ultralytics-Snippets] 확장을 다운로드하라는 프롬프트를 활성화합니다. |
프로젝트나 실험을 진행하면서 최적의 구성을 보장하기 위해 이 설정들을 다시 검토하십시오.
FAQ#
다음 명령어를 사용하여 pip로 Ultralytics를 설치하십시오:
pip install -U ultralytics이 명령어는 PyPI에서
ultralytics패키지의 최신 안정 버전을 설치합니다. GitHub에서 직접 개발 버전을 설치하려면:pip install git+https://github.com/ultralytics/ultralytics.git시스템에 Git 명령줄 도구가 설치되어 있는지 확인하십시오.
네, 다음을 사용하여 conda로 Ultralytics YOLO를 설치할 수 있습니다:
conda install -c conda-forge ultralytics이 방법은 pip의 훌륭한 대안이며 다른 패키지와의 호환성을 보장합니다. CUDA 환경의 경우, 충돌을 해결하기 위해
ultralytics,pytorch,pytorch-cuda을(를) 함께 설치하세요:conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.1 ultralytics자세한 지침은 Conda quickstart guide를 참조하세요.
Docker는 Ultralytics YOLO를 위해 격리되고 일관된 환경을 제공하여 시스템 간의 원활한 성능을 보장하고 로컬 설치의 복잡성을 방지합니다. 공식 Docker 이미지는 GPU, CPU, ARM64, NVIDIA Jetson 및 Conda 변형과 함께 Docker Hub에서 사용할 수 있습니다. 최신 이미지를 풀(pull)하고 실행하려면:
# 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:latest자세한 Docker 지침은 Docker quickstart guide를 참조하세요.
다음 명령어를 통해 Ultralytics 저장소를 복제하고 개발 환경을 설정하십시오:
# 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 코드를 실험해 볼 수 있습니다. 자세한 내용은 Ultralytics GitHub 저장소를 방문하세요.
Ultralytics YOLO CLI는 Python 코드 없이 객체 탐지 작업을 실행할 수 있게 하여 터미널에서 직접 학습, 검증, 예측을 위한 한 줄 명령어를 지원합니다. 기본 구문은 다음과 같습니다:
yolo TASK MODE ARGS예를 들어, 탐지 모델을 학습하려면 다음을 사용하십시오:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01전체 CLI Guide에서 더 많은 명령어와 사용 예제를 살펴보세요.