Ultralytics 솔루션: YOLO26을 활용한 실세계 문제 해결#
Ultralytics Solutions는 YOLO 모델의 최첨단 애플리케이션을 제공하며, 객체 카운팅, 블러링, 보안 시스템과 같은 실제 솔루션을 제공하여 다양한 산업 분야에서 효율성과 정확도를 향상시킵니다. 실용적이고 영향력 있는 구현을 위한 YOLO26의 강력한 기능을 만나보세요.
Watch: How to Run Ultralytics Solutions from the Command Line (CLI) | Ultralytics YOLO26 🚀
솔루션#
멋진 computer vision 프로젝트를 만드는 데 사용할 수 있는 Ultralytics 솔루션 선별 목록입니다.
- Analytics: 포괄적인 데이터 분석을 수행하여 패턴을 발견하고 정보에 입각한 결정을 내리며, 기술적 및 예측적 분석을 위해 YOLO26을 활용합니다.
- Distance Calculation: 공간 분석에 필수적인 YOLO26의 bounding box 중심점을 사용하여 객체 간의 거리를 계산합니다.
- Heatmaps: 감지 히트맵을 활용하여 매트릭스 전체의 데이터 강도를 시각화하고, computer vision 작업에서 명확한 인사이트를 제공합니다.
- Instance Segmentation with Object Tracking: YOLO26을 사용하여 instance segmentation 및 객체 추적을 구현하여 정밀한 객체 경계와 지속적인 모니터링을 달성합니다.
- Live Inference with Streamlit: 사용자 친화적인 Streamlit 인터페이스를 통해 웹 브라우저에서 직접 실시간 object detection을 위해 YOLO26의 강력한 기능을 활용하세요.
- Object Blurring: 이미지 및 비디오 처리에서 프라이버시를 보호하기 위해 YOLO26을 사용하여 객체 블러링을 적용합니다.
- Object Counting: YOLO26으로 실시간 객체 카운팅을 수행하는 방법을 알아보세요. 라이브 비디오 스트림에서 객체를 정확하게 카운트하는 전문 지식을 얻으세요.
- Object Counting in Regions: 다양한 영역에서 정확한 감지를 위해 YOLO26을 사용하여 특정 영역의 객체를 카운트합니다.
- Object Cropping: 이미지와 비디오에서 객체를 정밀하게 추출하기 위해 YOLO26으로 객체 자르기를 마스터하세요.
- Parking Management: YOLO26을 사용하여 주차 구역 내 차량 흐름을 조직하고 유도하여 공간 활용도와 사용자 경험을 최적화합니다.
- Queue Management: YOLO26을 사용하여 대기 시간을 최소화하고 생산성을 향상시키는 효율적인 대기열 관리 시스템을 구현합니다.
- Security Alarm System: 새 객체가 감지되면 알람을 트리거하는 YOLO26 기반 보안 경보 시스템을 생성하세요. 특정 요구사항에 맞게 시스템을 맞춤설정하세요.
- Similarity Search: OpenAI CLIP 임베딩과 코사인 유사도 검색을 결합하여 지능형 이미지 검색을 활성화하고, "가방을 든 사람" 또는 "움직이는 차량"과 같은 자연어 쿼리를 허용합니다.
- Speed Estimation: 자율주행 차량 및 교통 모니터링과 같은 애플리케이션에 필수적인 YOLO26 및 객체 추적 기술을 사용하여 객체 속도를 추정합니다.
- Track Objects in Zone: 정밀하고 효율적인 모니터링을 위해 YOLO26을 사용하여 비디오 프레임의 특정 영역 내에서 객체를 추적하는 방법을 알아보세요.
- VisionEye View Objects Mapping: 인간의 눈이 특정 객체에 초점을 맞추는 것을 모방하는 시스템을 개발하여 컴퓨터의 세부 정보 식별 및 우선순위 지정 능력을 향상시킵니다.
- Workouts Monitoring: YOLO26을 사용하여 운동을 모니터링하는 방법을 알아보세요. 다양한 피트니스 루틴을 실시간으로 추적하고 분석하는 방법을 배웁니다.
솔루션 인수#
| 인수 | 유형 | 기본값 | 설명 |
|---|---|---|---|
model | str | None | Ultralytics YOLO 모델 파일 경로입니다. |
region | list 또는 dict | None | 관심 영역을 정의하는 포인트((x, y) 튜플 목록 또는 여러 영역에 대해 영역 이름을 포인트 목록에 매핑하는 사전(RegionCounter 전용)). None일 때, 영역이 필요한 솔루션은 미리 정의된 기본값으로 대체됩니다. |
show_in | bool | True | 비디오 스트림에 유입(in) 카운트를 표시할지 여부를 제어하는 플래그입니다. |
show_out | bool | True | 비디오 스트림에 유출(out) 카운트를 표시할지 여부를 제어하는 플래그입니다. |
analytics_type | str | 'line' | 그래프 유형, 즉 line, bar, area, 또는 pie. |
colormap | int | cv2.COLORMAP_DEEPGREEN | 히트맵에 사용할 컬러맵입니다. |
json_file | str | None | 모든 주차 좌표 데이터가 포함된 JSON 파일 경로입니다. |
up_angle | float | 145.0 | 'up'(위) 자세에 대한 각도 임계값입니다. |
kpts | list[int] | '[6, 8, 10]' | 운동 모니터링에 사용되는 세 개의 키포인트 인덱스 목록입니다. 이 키포인트들은 푸시업, 풀업, 스쿼트, 복근 운동과 같은 동작을 위해 어깨, 팔꿈치, 손목 등 신체 관절이나 부위에 대응합니다. |
down_angle | int | 90 | 'down'(아래) 자세에 대한 각도 임계값입니다. |
blur_ratio | float | 0.5 | 0.1 - 1.0 범위의 값을 사용하여 블러 강도의 백분율을 조정합니다. |
crop_dir | str | 'cropped-detections' | 크롭된 탐지 결과를 저장하기 위한 디렉토리 이름입니다. |
records | int | 5 | 보안 경보 시스템에서 이메일을 발송하기 위해 필요한 총 탐지 횟수입니다. |
vision_point | tuple[int, int] | (20, 20) | VisionEye 솔루션을 사용하여 시야가 객체를 추적하고 경로를 그릴 기준점입니다. |
source | str | None | 입력 소스(비디오, RTSP 등) 경로입니다. 솔루션 명령줄 인터페이스(CLI)에서만 사용 가능합니다. |
figsize | tuple[float, float] | (12.8, 7.2) | 히트맵이나 그래프와 같은 분석 차트의 피규어 크기입니다. |
fps | float | 30.0 | 속도 계산에 사용되는 초당 프레임 수입니다. |
max_hist | int | 5 | 속도/방향 계산을 위해 객체별로 추적할 최대 기록 포인트 수입니다. |
meter_per_pixel | float | 0.05 | 픽셀 거리를 실제 단위로 변환하는 데 사용되는 스케일링 계수입니다. |
max_speed | int | 120 | 시각적 오버레이에서 표시되는 최대 속도 제한(경고 등에 사용됨)입니다. |
data | str | 'images' | 유사도 검색에 사용되는 이미지 디렉토리 경로입니다. |
imgsz | int | 640 | 모델 추론을 위한 입력 이미지 크기입니다. |
솔루션은 track의 일부 인수를 지원하며, conf, line_width, tracker, model, show, verbose, classes과 같은 매개변수를 포함합니다.
| 인수 | 유형 | 기본값 | 설명 |
|---|---|---|---|
tracker | str | 'tracktrack.yaml' | 사용할 추적 알고리즘을 지정합니다. 기본 제공 옵션: botsort.yaml, bytetrack.yaml, ocsort.yaml, deepocsort.yaml, fasttrack.yaml, tracktrack.yaml. |
conf | float | 0.1 | 탐지에 대한 신뢰도 임계값을 설정합니다. 값이 낮을수록 더 많은 객체가 추적되지만 잘못된 긍정 탐지(false positives)가 포함될 수 있습니다. |
iou | float | 0.7 | 겹치는 감지를 필터링하기 위한 Intersection over Union (IoU) 임계값을 설정합니다. |
classes | list | None | 클래스 인덱스로 결과를 필터링합니다. 예를 들어 classes=[0, 2, 3]은 지정된 클래스만 추적합니다. |
verbose | bool | True | 추적 결과 표시를 제어하여 추적된 객체의 시각적 출력을 제공합니다. |
device | str | None | 추론용 장치를 지정합니다(예: cpu, cuda:0 또는 0). 사용자가 모델 실행을 위해 CPU, 특정 GPU 또는 기타 컴퓨팅 장치 중에서 선택할 수 있도록 합니다. |
show_conf, show_labels 및 언급된 기타 인수를 사용하여 시각화를 맞춤설정할 수 있습니다.
| 인수 | 유형 | 기본값 | 설명 |
|---|---|---|---|
show | bool | False | True인 경우, 주석이 달린 이미지나 비디오를 창에 표시합니다. 개발 또는 테스트 중 즉각적인 시각적 피드백에 유용합니다. |
line_width | int or None | None | 바우딩 박스의 선 두께를 지정합니다. None인 경우, 선 두께가 이미지 크기에 따라 자동으로 조정됩니다. 가독성을 위한 시각적 커스텀을 제공합니다. |
show_conf | bool | True | 각 탐지에 대한 신뢰도 점수를 레이블과 함께 표시합니다. 각 탐지에 대한 모델의 확신도를 파악할 수 있습니다. |
show_labels | bool | True | 시각적 출력에서 각 탐지에 대한 레이블을 표시합니다. 탐지된 객체를 즉시 이해할 수 있도록 합니다. |
SolutionAnnotator 사용법#
모든 Ultralytics 솔루션은 메인 Annotator 클래스를 확장하는 별도의 SolutionAnnotator 클래스를 사용하며 다음과 같은 메서드를 제공합니다:
| 메서드 | 반환 타입 | 설명 |
|---|---|---|
draw_region() | None | 지정된 포인트, 색상 및 두께를 사용하여 영역을 그립니다. |
queue_counts_display() | None | 지정된 영역의 대기열 수를 표시합니다. |
display_analytics() | None | 주차장 관리를 위한 전반적인 통계를 표시합니다. |
estimate_pose_angle() | float | 객체 포즈 내의 세 점 사이의 각도를 계산합니다. |
draw_specific_kpts() | np.ndarray | 이미지에 특정 키포인트를 그립니다. |
plot_workout_information() | int | 이미지에 레이블이 지정된 텍스트 상자를 그립니다. |
plot_angle_and_count_and_stage() | None | 운동 모니터링을 위해 각도, 반복 횟수 및 단계를 시각화합니다. |
plot_distance_and_line() | None | 중심점 간의 거리를 표시하고 선으로 연결합니다. |
display_objects_labels() | None | 객체 클래스 레이블로 BBox에 주석을 답니다. |
sweep_annotator() | None | 수직 스윕 라인과 선택적 레이블을 시각화합니다. |
visioneye() | None | 객체 중심점을 시각적 '눈(eye)' 포인트에 매핑하고 연결합니다. |
adaptive_label() | None | BBox 중앙에 원형 또는 직사각형 배경 레이블을 그립니다. |
SolutionResults 작업#
Similarity Search을 제외하고 각 솔루션 호출은 SolutionResults 객체를 반환합니다.
- 객체 카운팅의 경우 결과에는
in_count,out_count,classwise_count가 포함됩니다.
import cv2
from ultralytics import solutions
im0 = cv2.imread("path/to/img")
region_points = [(20, 400), (1080, 400), (1080, 360), (20, 360)]
counter = solutions.ObjectCounter(
show=True, # display the output
region=region_points, # pass region points
model="yolo26n.pt", # model="yolo26n-obb.pt" for object counting with OBB model.
# classes=[0, 2], # count specific classes i.e. person and car with COCO pretrained model.
# tracker="botsort.yaml" # Choose trackers i.e "bytetrack.yaml"
)
results = counter(im0)
print(results.in_count) # display in_counts
print(results.out_count) # display out_counts
print(results.classwise_count) # display classwise_countSolutionResults 객체는 다음과 같은 속성을 가집니다:
| 속성 | 유형 | 설명 |
|---|---|---|
plot_im | np.ndarray | 개수, 블러 효과 또는 솔루션별 개선 사항과 같은 시각적 오버레이가 포함된 이미지입니다. |
in_count | int | 비디오 스트림에서 정의된 영역으로 들어오는 것으로 탐지된 객체의 총 수입니다. |
out_count | int | 비디오 스트림에서 정의된 영역을 나가는 것으로 탐지된 객체의 총 수입니다. |
classwise_count | Dict[str, int] | 고급 분석을 위해 클래스별 입/출력 객체 수를 기록하는 딕셔너리입니다. |
queue_count | int | 현재 정의된 대기열 또는 대기 영역 내에 있는 객체 수입니다(대기열 관리에 적합). |
workout_count | list[int] | AI Gym의 트랙별 운동 반복 횟수 (현재 추적 중인 개체당 하나의 항목). |
workout_angle | list[float] | AI Gym의 트랙별 운동 각도 (현재 추적 중인 개체당 하나의 항목). |
workout_stage | list[str] | AI Gym의 트랙별 현재 운동 단계 (현재 추적 중인 개체당 하나의 항목). |
pixels_distance | float | 두 객체 또는 지점(예: BBox) 간의 픽셀 기반 거리입니다. (거리 계산에 적합). |
available_slots | int | 모니터링 영역에서 비어 있는 슬롯의 수입니다(주차 관리에 적합). |
filled_slots | int | 모니터링 영역에서 점유된 슬롯의 수입니다. (주차 관리에 적합) |
email_sent | bool | 알림 또는 경고 이메일이 성공적으로 전송되었는지 여부를 나타냅니다(보안 경보에 적합). |
total_tracks | int | 비디오 분석 중 관찰된 고유한 객체 트랙의 총 수입니다. |
region_counts | Dict[str, int] | 사용자가 정의한 영역 또는 구역 내의 객체 수입니다. |
speed_dict | Dict[str, float] | 속도 분석에 유용한, 트랙별로 계산된 객체 속도 딕셔너리입니다. |
total_crop_objects | int | ObjectCropper 솔루션에 의해 생성된 잘린 객체 이미지의 총 수입니다. |
speed | Dict[str, float] | 추적 및 솔루션 처리에 대한 성능 지표가 포함된 딕셔너리입니다. |
자세한 내용은 SolutionResults 클래스 설명서를 참조하세요.
CLI를 통한 솔루션 사용#
대부분의 솔루션은 다음을 포함하여 명령줄 인터페이스(CLI)를 통해 직접 사용할 수 있습니다:
Count, Crop, Blur, Workout, Heatmap, Isegment, Visioneye, Speed, Queue, Analytics, Inference, Trackzone
구문
yolo SOLUTIONS SOLUTION_NAME ARGS
- SOLUTIONS는 필수 키워드입니다.
- SOLUTION_NAME은 다음 중 하나입니다:
['count', 'crop', 'blur', 'workout', 'heatmap', 'isegment', 'queue', 'speed', 'analytics', 'trackzone', 'inference', 'visioneye', 'region', 'security', 'parking']. - ARGS(선택 사항)는 기본 설정을 재정의하기 위한
show_in=True과 같은 사용자 지정arg=value쌍입니다.
yolo solutions count show=True # for object counting
yolo solutions count source="path/to/video.mp4" # specify video file path솔루션 기여하기#
커뮤니티의 기여를 환영합니다! 아직 솔루션에서 다루지 않은 Ultralytics YOLO의 특정 측면을 마스터했다면, 전문 지식을 공유해 주시기 바랍니다. 가이드를 작성하는 것은 커뮤니티에 환원하고 문서를 더욱 포괄적이고 사용자 친화적으로 만드는 좋은 방법입니다.
시작하려면 풀 리퀘스트(PR) 🛠️ 여는 방법에 대한 지침이 포함된 Contributing Guide를 읽어보세요. 여러분의 기대를 기다립니다!
함께 협력하여 Ultralytics YOLO 생태계를 더욱 강력하고 다재다능하게 만들어 봅시다 🙏!
FAQ#
실시간 객체 계수를 위해 Ultralytics YOLO를 어떻게 사용합니까?#
Ultralytics YOLO26은 고급 객체 감지 기능을 활용하여 실시간 객체 카운팅에 사용할 수 있습니다. Object Counting에 대한 자세한 가이드를 따라 라이브 비디오 스트림 분석을 위해 YOLO26을 설정할 수 있습니다. YOLO26을 간단히 설치하고, 모델을 로드하고, 비디오 프레임을 처리하여 객체를 동적으로 카운트하세요.
보안 시스템에 Ultralytics YOLO를 사용할 때의 이점은 무엇입니까?#
Ultralytics YOLO26은 실시간 객체 감지 및 경고 메커니즘을 제공하여 보안 시스템을 향상시킵니다. YOLO26을 채택하여 감시 구역에서 새로운 객체가 감지될 때 경고를 트리거하는 보안 경보 시스템을 생성할 수 있습니다. 강력한 보안 모니터링을 위해 YOLO26으로 Security Alarm System을 설정하는 방법을 알아보세요.
Ultralytics YOLO가 대기열 관리 시스템을 어떻게 개선할 수 있습니까?#
Ultralytics YOLO26은 대기열에 있는 사람들을 정확하게 카운트하고 추적함으로써 대기열 관리 시스템을 크게 개선하여 대기 시간을 줄이고 서비스 효율성을 최적화하는 데 도움을 줍니다. 효과적인 대기열 모니터링 및 분석을 위해 YOLO26을 구현하는 방법을 배우려면 Queue Management에 대한 자세한 가이드를 따르세요.
Ultralytics YOLO를 운동 모니터링에 사용할 수 있습니까?#
네, Ultralytics YOLO26은 실시간으로 피트니스 루틴을 추적하고 분석하여 운동을 모니터링하는 데 효과적으로 사용할 수 있습니다. 이를 통해 운동 자세와 성능을 정확하게 평가할 수 있습니다. YOLO26을 사용하여 AI 기반 운동 모니터링 시스템을 설정하는 방법을 알아보려면 Workouts Monitoring 가이드를 살펴보세요.
Ultralytics YOLO는 data visualization용 히트맵을 생성하는 데 어떻게 도움이 되나요?#
Ultralytics YOLO26은 주어진 영역 전체의 데이터 강도를 시각화하는 히트맵을 생성하여 높은 활동 또는 관심 영역을 강조표시할 수 있습니다. 이 기능은 다양한 computer vision 작업에서 패턴과 트렌드를 이해하는 데 특히 유용합니다. 포괄적인 데이터 분석 및 시각화를 위해 YOLO26과 함께 Heatmaps를 만들고 사용하는 방법에 대해 자세히 알아보세요.