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 version (distinct from the Ultralytics pip version) |
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 | Option to sync analytics and crashes to Ultralytics Platform |
api_key | '' | str | Ultralytics Platform API Key |
clearml | True | bool | Option to use ClearML logging |
comet | True | bool | Option to use Comet ML for experiment tracking and visualization |
dvc | True | bool | Option to use DVC for experiment tracking and version control |
mlflow | True | bool | Option to use MLFlow for experiment tracking |
neptune | True | bool | Option to use Neptune for experiment tracking |
raytune | True | bool | Option to use Ray Tune for hyperparameter tuning |
tensorboard | False | bool | Option to use TensorBoard for visualization |
wandb | False | bool | Option to use Weights & Biases logging |
vscode_msg | True | bool | When a VS Code terminal is detected, enables a prompt to download the Ultralytics-Snippets extension. |
프로젝트나 실험을 진행하면서 최적의 구성을 보장하기 위해 이 설정들을 다시 검토하십시오.
FAQ#
pip를 사용하여 Ultralytics를 어떻게 설치합니까?#
다음 명령어를 사용하여 pip로 Ultralytics를 설치하십시오:
pip install -U ultralytics이 명령어는 PyPI에서 ultralytics 패키지의 최신 안정 버전을 설치합니다. GitHub에서 직접 개발 버전을 설치하려면:
pip install git+https://github.com/ultralytics/ultralytics.git시스템에 Git 명령줄 도구가 설치되어 있는지 확인하십시오.
conda를 사용하여 Ultralytics YOLO를 설치할 수 있습니까?#
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.
Docker를 사용하여 Ultralytics YOLO를 실행하면 어떤 장점이 있습니까?#
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.
개발을 위해 Ultralytics 저장소를 어떻게 복제(clone)합니까?#
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 CLI를 사용해야 하는 이유는 무엇입니까?#
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.