콘텐츠로 이동

빠른 시작

Ultralytics 설치하기

Ultralytics는 pip, conda, Docker를 포함한 다양한 설치 방법을 제공합니다. ultralytics pip 패키지를 이용해 가장 안정적인 최신 버전의 YOLOv8을 설치하거나 Ultralytics GitHub 저장소를 복제하여 가장 최신 버전을 받아볼 수 있습니다. Docker를 이용하면 패키지를 로컬에 설치하지 않고 격리된 컨테이너에서 실행할 수 있습니다.

설치하기

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/.

PyPI 버전 다운로드

# 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.

Conda 레시피 Conda 다운로드 Conda 버전 Conda 플랫폼

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

노트

CUDA 환경에서 설치하는 경우 일반적으로 ultralytics, pytorchpytorch-cuda를 동일한 명령어로 설치하여 Conda 패키지 관리자가 충돌을 해결하도록 하거나, 필요한 경우 CPU 전용 pytorch 패키지를 덮어쓸 수 있도록 pytorch-cuda를 마지막에 설치하는 것이 좋습니다.

# 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:

Docker Pulls

  • 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.

ultralytics의 종속성 목록은 requirements.txt 파일에서 확인할 수 있습니다. 위 예제에서는 모든 필요한 종속성을 설치합니다.



Watch: Ultralytics YOLO Quick Start Guide

PyTorch 설치 요구사항은 운영 체제와 CUDA 요구사항에 따라 다르므로 https://pytorch.org/get-started/locally의 지침에 따라 PyTorch를 먼저 설치하는 것이 권장됩니다.

PyTorch 설치 지침

명령줄 인터페이스(CLI)로 Ultralytics 사용하기

Ultralytics 명령줄 인터페이스(CLI)는 Python 환경이 필요 없이 단일 라인 명령어를 통해 작업을 쉽게 실행할 수 있도록 합니다. CLI는 커스터마이징이나 Python 코드가 필요 없습니다. yolo 명령어를 이용해 터미널에서 모든 작업을 실행할 수 있습니다. 명령줄에서 YOLOv8을 사용하는 방법에 대해 더 알아보려면 CLI 가이드를 참고하세요.

예제

Ultralytics yolo 명령어는 다음과 같은 문법을 사용합니다:

yolo TASK MODE ARGS

여기서   TASK (선택적) [detect, segment, classify]  하나
        MODE (필수) [train, val, predict, export, track]  하나
        ARGS (선택적) 'imgsz=320' 같이 기본값을 재정의하는 'arg=value' 쌍을 아무 개수나 지정할  있습니다.
모든 ARGS는 전체 구성 가이드에서 또는 yolo cfg로 확인할 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

주의

모든 인수는 arg=val쌍으로 전달되어야 하며, 각 쌍 사이에는 공백으로 구분해야 합니다. 인수 접두사로 --를 사용하거나 인수 사이에 쉼표 ,를 사용해서는 안 됩니다.

  • yolo predict model=yolov8n.pt imgsz=640 conf=0.25   ✅
  • yolo predict model yolov8n.pt imgsz 640 conf 0.25   ❌
  • yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25   ❌

CLI 가이드


Created 2023-11-13, Updated 2023-11-25
Authors: glenn-jocher (5), chr043416@gmail.com (1)

댓글