빠른 시작

pip을 사용하여 ultralytics 패키지를 설치하거나, pip install -U ultralytics를 실행하여 기존 설치를 업데이트하세요. Python Package Index(PyPI)에서 ultralytics 패키지에 대한 자세한 내용을 확인하세요: https://pypi.org/project/ultralytics/.

# PyPI에서 ultralytics 패키지 설치하기
pip install ultralytics

GitHub 저장소에서 직접 ultralytics 패키지를 설치할 수도 있습니다. 최신 개발 버전이 필요한 경우 유용할 수 있습니다. 시스템에 Git 명령줄 도구가 설치되어 있는지 확인하세요. @main 명령어는 main 브랜치를 설치하며, @my-branch로 변경하거나 main 브랜치를 기본으로 사용하려면 아예 제거하면 됩니다.

# GitHub에서 ultralytics 패키지 설치하기
pip install git+https://github.com/ultralytics/ultralytics.git@main

pip의 대안으로 사용할 수 있는 또 다른 패키지 관리자인 Conda를 통해서도 설치할 수 있습니다. https://anaconda.org/conda-forge/ultralytics에서 Anaconda에 대한 자세한 정보를 확인하세요. Conda 패키지를 업데이트하는 Ultralytics feedstock 저장소는 https://github.com/conda-forge/ultralytics-feedstock/에 있습니다.

# conda를 사용하여 ultralytics 패키지 설치하기
conda install -c conda-forge ultralytics

# Conda를 사용하여 모든 패키지 함께 설치하기
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

Conda Docker 이미지

Ultralytics Conda Docker 이미지들도 DockerHub에서 사용할 수 있습니다. 이 이미지들은 Miniconda3를 기반으로 하며, Conda 환경에서 ultralytics를 사용하기 위한 간단한 방법입니다.

# 이미지 이름을 변수로 설정하기
t=ultralytics/ultralytics:latest-conda

# Docker Hub에서 최신 ultralytics 이미지 가져오기
sudo docker pull $t

# GPU 지원으로 ultralytics 이미지를 컨테이너에서 실행하기
sudo docker run -it --ipc=host --gpus all $t  # 모든 GPU 사용
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t  # 특정 GPU 지정

개발에 기여하거나 최신 소스 코드를 실험해 보고 싶다면 ultralytics 저장소를 복제하세요. 복제한 후 해당 디렉토리로 이동하여 pip을 이용해 편집 가능 모드 -e로 패키지를 설치합니다.

# ultralytics 저장소 복제하기
git clone https://github.com/ultralytics/ultralytics

# 복제한 디렉토리로 이동하기
cd ultralytics

# 개발을 위한 편집 가능 모드로 패키지 설치하기
pip install -e .

Docker를 사용하면 ultralytics 패키지를 격리된 컨테이너에서 원활하게 실행할 수 있으며, 다양한 환경에서 일관된 성능을 보장합니다. Docker Hub의 공식 ultralytics 이미지 중 하나를 선택함으로써 로컬 설치의 복잡함을 피하고 검증된 작업 환경에 접근할 수 있습니다. Ultralytics은 서로 다른 플랫폼과 사용 사례에 대해 높은 호환성과 효율성을 제공하기 위해 5가지 주요 Docker 이미지를 제공합니다:

• Dockerfile: 트레이닝에 추천되는 GPU 이미지입니다.
• Dockerfile-arm64: Raspberry Pi와 같은 ARM64 기반 플랫폼에 배포하기에 최적화된 ARM64 아키텍처용입니다.
• Dockerfile-cpu: GPU가 없는 환경에서 인퍼런스에 적합한 Ubuntu 기반 CPU 전용 버전입니다.
• Dockerfile-jetson: NVIDIA Jetson 장치에 최적화된 GPU 지원을 통합한 버전입니다.
• Dockerfile-python: 가볍게 애플리케이션을 위해 필요한 종속성과 Python만 있는 최소한의 이미지입니다.
• Dockerfile-conda: Miniconda3를 기반으로 하며 ultralytics 패키지의 conda 설치를 포함하고 있습니다.

아래의 명령어로 최신 이미지를 받고 실행할 수 있습니다:

# 이미지 이름을 변수로 설정하기
t=ultralytics/ultralytics:latest

# Docker Hub에서 최신 ultralytics 이미지 가져오기
sudo docker pull $t

# GPU 지원으로 ultralytics 이미지를 컨테이너에서 실행하기
sudo docker run -it --ipc=host --gpus all $t  # 모든 GPU 사용
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t  # 특정 GPU 지정

위 명령어는 최신 ultralytics 이미지로 Docker 컨테이너를 초기화합니다. -it 플래그는 pseudo-TTY를 할당하고 표준 입력을 유지하여 컨테이너와 상호 작용할 수 있게 해줍니다. --ipc=host 플래그는 프로세스 간 메모리 공유에 필요한 IPC(Inter-Process Communication) 네임스페이스를 호스트로 설정합니다. --gpus all 플래그는 컨테이너 내에서 사용 가능한 모든 GPU에 대한 접근을 활성화하는데, GPU 계산이 필요한 작업에 중요합니다.

참고: 로컬 기계의 파일을 컨테이너 내에서 작업하기 위해서는 로컬 디렉토리를 컨테이너에 마운트하는 데 Docker 볼륨을 사용하세요:

# 로컬 디렉토리를 컨테이너 내부 디렉토리에 마운트하기
sudo docker run -it --ipc=host --gpus all -v /path/on/host:/path/in/container $t

/path/on/host를 로컬 기계의 디렉토리 경로로, /path/in/container를 컨테이너 내부에서 원하는 경로로 변경하여 접근할 수 있게 하세요.

Docker 사용에 대한 고급 기능은 Ultralytics Docker 가이드에서 더 탐구해보세요.

Ultralytics yolo 명령어는 다음과 같은 문법을 사용합니다:

yolo TASK MODE ARGS

여기서   TASK (선택적)은 [detect, segment, classify] 중 하나
        MODE (필수)는 [train, val, predict, export, track] 중 하나
        ARGS (선택적)은 'imgsz=320'과 같이 기본값을 재정의하는 'arg=value' 쌍을 아무 개수나 지정할 수 있습니다.

10 에포크 동안 초기 학습률 0.01로 감지 모델을 훈련합니다.

yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01

이전 훈련된 세분화 모델을 사용하여 이미지 크기 320으로 YouTube 동영상을 예측합니다:

yolo predict model=yolov8n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

배치 크기 1와 이미지 크기 640으로 이전 훈련된 감지 모델을 검증합니다:

yolo val model=yolov8n.pt data=coco128.yaml batch=1 imgsz=640

YOLOv8n 분류 모델을 ONNX 형식으로 내보냅니다. 이미지 크기는 224x128입니다 (TASK 필요 없음).

yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128

버전 확인, 설정 보기, 검사 실행 등을 위한 특별 명령어를 실행하세요:

yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg