Ultralytics 설치#
ultralytics 패키지를 pip, conda, Docker 또는 소스 코드에서 설치한 다음, 사전 학습된 YOLO26 모델로 첫 예측을 실행하세요. 모든 설치 방법은 pyproject.toml에 명시된 필수 종속 항목을 모두 설치합니다.
PyTorch>=1.8이 설치된 Python>=3.8 환경에서 ultralytics 패키지를 설치하거나 업데이트하세요:
pip install -U ultralytics최신 개발 버전을 설치하려면 Ultralytics GitHub 리포지토리에서 직접 설치하세요:
pip install git+https://github.com/ultralytics/ultralytics.git@mainPyTorch의 요구 사항은 운영 체제와 CUDA 버전에 따라 다릅니다. 특정 빌드를 사용하려면 먼저 PyTorch 설치 안내에 따라 PyTorch를 설치한 다음 ultralytics를 설치합니다. Linux에서 AMD GPU를 사용하려면 AMD 통합 가이드에 설명된 대로 PyTorch의 ROCm 빌드를 설치합니다.
CLI에서 Ultralytics 사용하기#
터미널에서 yolo 명령어를 사용해 첫 예측을 실행합니다.
yolo predict model=yolo26n.pt사전 학습된 yolo26n.pt 가중치가 자동으로 다운로드되고, 모델이 함께 제공되는 샘플 이미지 두 개를 처리한 다음, 첫 실행 시 주석이 추가된 결과가 저장된 위치인 runs/detect/predict을 명령어가 출력합니다. source에 사용할 이미지, 동영상, 디렉터리, URL 또는 스트림을 지정하거나 source=0을 사용해 웹캠을 지정합니다.
yolo predict model=yolo26n.pt source=0 show=Truepredict은 모델이 수행할 작업을 나타내는 모드입니다. 사용할 수 있는 모드는 train, val, predict, export, track 또는 benchmark입니다. 태스크(detect, segment, semantic, depth, classify, pose 또는 obb)는 모델 파일에서 읽으므로, yolo TASK MODE ARGS 구문에는 일반적으로 모드와 imgsz=640 같은 arg=value 쌍만 필요합니다. 모든 모드는 CLI 가이드에서, 모든 인수는 구성 페이지에서 확인하세요.
Python에서 Ultralytics 사용하기#
Python에서 동일한 예측을 실행합니다.
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # 사전 학습된 YOLO26n 감지 모델 로드
results = model("https://ultralytics.com/images/bus.jpg", save=True) # 예측을 수행하고 주석이 추가된 이미지 저장results은 이미지마다 하나씩 생성되는 Results 객체의 목록입니다. 태스크에 따라 박스, 마스크, 키포인트 또는 클래스 확률을 포함합니다. Python 가이드에서는 동일한 YOLO 클래스를 사용한 학습, 검증, 내보내기 및 추적을 다룹니다.
시청: Ultralytics YOLO 빠른 시작 가이드
Ultralytics 설정#
데이터셋, 가중치, 실행 결과 디렉터리, Ultralytics Platform API 키, 실험 로거 전환 설정과 같은 영구 설정은 yolo settings로 관리하는 JSON 파일에 저장됩니다. 설정을 확인, 변경 또는 초기화하려면 설정 페이지를 참조하세요.
다음 단계#
YOLO가 실행되는 모드와 YOLO26 모델 크기를 살펴본 다음, 데이터셋 가이드에 따라 데이터를 형식화하고 자체 데이터로 학습해 보세요.
앞으로 출시될 내용을 살펴보려면 YOLO27 (출시 예정)을 확인하세요. 해당 모델은 아직 제공되지 않으며, 위 예제에서는 출시된 YOLO26 제품군을 사용합니다.
자주 묻는 질문#
다음 명령어를 사용하여 pip로 Ultralytics를 설치합니다.
pip install -U ultralytics이 명령어는 PyPI에서
ultralytics패키지의 최신 안정화 버전을 설치합니다. GitHub에서 개발 버전을 직접 설치하려면 다음을 실행합니다.pip install git+https://github.com/ultralytics/ultralytics.git시스템에 Git 명령줄 도구가 설치되어 있는지 확인하세요.
예, 한 명령으로 Python과 Ultralytics YOLO를 포함하는 conda 환경을 만든 다음 활성화할 수 있습니다:
conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision -y conda activate ultralytics-env이 방법은 pip를 대체하는 훌륭한 방법으로, 다른 패키지와의 호환성을 보장합니다. CUDA 환경에서는 conda가 CUDA를 지원하는 PyTorch 빌드를 선택할 수 있도록 같은 명령에
pytorch-gpu메타패키지를 추가합니다:conda create --name ultralytics-env -c conda-forge python=3.11 ultralytics torchvision pytorch-gpu -y conda activate ultralytics-env자세한 안내는 Conda 빠른 시작 가이드를 참조하세요.
Docker는 Ultralytics YOLO를 위한 격리되고 일관된 환경을 제공하여 시스템 전반에서 원활한 성능을 보장하고 로컬 설치의 복잡성을 줄입니다. Docker Hub에서 GPU, CPU, ARM64, NVIDIA Jetson 및 Conda용 변형을 포함한 공식 Docker 이미지를 사용할 수 있습니다. 최신 이미지를 가져와 실행하려면 다음을 실행합니다.
# 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:latestLinux에서 CDI 장치 요청을 사용하려면 Docker >= 28.2.0 및 NVIDIA Container Toolkit >= 1.18이 필요합니다. Docker에 대한 자세한 안내는 Docker 빠른 시작 가이드를 참조하세요.
다음 명령어를 사용하여 Ultralytics 저장소를 복제하고 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 .이렇게 하면 프로젝트에 기여하거나 최신 소스 코드로 실험할 수 있습니다. 포크 및 사용자 지정 브랜치 고정에 대한 내용은 개발 환경 설치를 참조하세요.
Ultralytics YOLO CLI를 사용하면 Python 코드 없이 객체 감지 작업을 간편하게 실행할 수 있으며, 터미널에서 바로 학습, 검증 및 예측을 한 줄 명령어로 수행할 수 있습니다. 기본 구문은 다음과 같습니다.
yolo TASK MODE ARGS예를 들어 감지 모델을 학습하려면 다음을 실행합니다.
yolo train data=coco8.yaml model=yolo26n.pt epochs=10전체 CLI 가이드에서 더 많은 명령어와 사용 예제를 확인하세요.