Ultralytics YOLO26에서 지원하는 컴퓨터 비전 태스크#
Ultralytics YOLO26은 여러 computer vision 태스크를 지원하는 다목적 AI 프레임워크입니다. 이 프레임워크는 detection, segmentation, semantic segmentation, depth estimation, classification, pose 추정 및 OBB를 수행하는 데 사용할 수 있습니다. 이러한 각 태스크에는 서로 다른 목적과 사용 사례가 있으므로 단일 프레임워크로 다양한 컴퓨터 비전 문제를 해결할 수 있습니다.
예정된 YOLO27 지원에 대해서는 YOLO27 미리보기를 참조하십시오. YOLO27은 곧 출시될 예정이며 아직 사용할 수 없습니다. 이 가이드는 출시된 YOLO26 모델을 사용합니다.
Watch: Explore Ultralytics YOLO26 Tasks: Object Detection, Segmentation, Depth Estimation, Classification, Pose Estimation, and OBB.
탐지#
객체 검출은 YOLO26에서 지원하는 주요 태스크입니다. 이는 이미지 또는 비디오 프레임에서 객체를 식별하고 객체 주변에 바운딩 박스를 그리는 작업을 포함합니다. 감지된 객체는 특징에 따라 다양한 범주로 분류됩니다. YOLO26은 단일 이미지나 비디오 프레임에서 높은 accuracy와 속도로 여러 객체를 감지할 수 있어 surveillance systems 및 autonomous vehicles와 같은 실시간 애플리케이션에 이상적입니다.
인스턴스 세그멘테이션#
세분화는 각 객체에 대한 픽셀 수준의 마스크를 생성하여 객체 검출을 한 단계 더 발전시킵니다. 이 정밀도는 medical imaging, agricultural analysis, manufacturing quality control과 같은 애플리케이션에 유용합니다.
시맨틱 세그멘테이션#
의미론적 세분화는 이미지의 모든 픽셀에 클래스 레이블을 할당하여 전체 장면의 조밀한 클래스 맵을 생성합니다. 인스턴스 세분화와 달리 동일한 클래스의 개별 객체를 구분하지 않습니다. 따라서 개별 객체 식별보다 전체 공간 레이아웃을 이해하는 것이 중요한 autonomous driving, scene parsing 및 토지 피복 매핑에 이상적입니다.
깊이 추정#
단안 깊이 추정은 단일 RGB 이미지에서 미터 단위의 픽셀별 깊이 맵을 예측합니다. 출력은 입력 이미지에 정렬된 밀집된 float 맵이므로, 단일 카메라에서 공간 레이아웃을 유추해야 하는 3D 장면 재구성, 로봇 내비게이션 및 AR/VR 애플리케이션에 적합합니다.
분류#
분류에는 콘텐츠를 기반으로 전체 이미지를 범주화하는 작업이 포함됩니다. 이 태스크는 전자상거래의 product categorization, content moderation, wildlife monitoring과 같은 애플리케이션에 필수적입니다.
포즈 추정#
포즈 추정은 이미지나 비디오 프레임에서 특정 키포인트를 감지하여 움직임을 추적하거나 포즈를 추정합니다. 이러한 키포인트는 인체 관절, 얼굴 특징 또는 기타 중요한 관심 지점을 나타낼 수 있습니다. YOLO26은 높은 정확도와 속도로 키포인트 감지에 탁월하므로 fitness applications, sports analytics, human-computer interaction에 유용합니다.
OBB#
회전된 바운딩 박스(OBB) 검출은 회전된 객체를 더 잘 찾기 위해 방향 각도를 추가하여 전통적인 객체 검출을 향상시킵니다. 이 기능은 객체가 다양한 각도로 나타나는 aerial imagery analysis, document processing, industrial applications에 특히 유용합니다. YOLO26은 다양한 시나리오에서 회전된 객체를 감지하기 위한 높은 정확도와 속도를 제공합니다.
결론#
Ultralytics YOLO26은 객체 검출, 인스턴스 세분화, 의미론적 세분화, 단안 깊이 추정, 분류, 키포인트 검출 및 회전된 객체 검출을 포함한 여러 컴퓨터 비전 태스크를 지원합니다. 각 태스크는 기본 객체 식별부터 조밀한 픽셀별 깊이 추정에 이르기까지 컴퓨터 비전 분야의 특정 요구 사항을 해결합니다. 각 태스크의 기능과 응용 분야를 이해함으로써 특정 컴퓨터 비전 과제에 가장 적절한 접근 방식을 선택하고 YOLO26의 강력한 기능을 활용하여 효과적인 솔루션을 구축할 수 있습니다.
다음 단계#
태스크를 선택하셨나요? Datasets guide를 사용하여 해당 태스크에 맞게 데이터를 포맷한 다음, train on your own images하세요.
FAQ#
Ultralytics YOLO26은 높은 정확도와 속도로 다양한 컴퓨터 비전 태스크를 수행할 수 있는 다목적 AI 프레임워크입니다. 이러한 태스크에는 다음이 포함됩니다:
- Object Detection: 객체 주변에 바운딩 박스를 그려 이미지나 비디오 프레임에서 객체를 식별하고 위치를 파악합니다.
- 인스턴스 세분화: 감지된 각 객체에 대해 픽셀 수준의 마스크를 생성하며, 의료 영상과 같은 응용 분야에 유용합니다.
- Semantic Segmentation: 밀집된 장면 이해를 위해 이미지의 모든 픽셀에 클래스 레이블을 할당합니다.
- 깊이 추정: 단일 RGB 이미지로부터 미터 단위의 픽셀별 깊이 맵을 예측합니다.
- Classification: 콘텐츠를 기반으로 전체 이미지를 범주화합니다.
- 포즈 추정: 이미지나 비디오 프레임에서 특정 키포인트를 감지하여 움직임이나 포즈를 추적합니다.
- Oriented Object Detection (OBB): 향상된 정확도를 위해 추가된 방향 각도로 회전된 객체를 감지합니다.
객체 검출을 위해 Ultralytics YOLO26을 사용하려면 다음 단계를 따르세요:
- 적절한 형식으로 데이터셋을 준비합니다.
- 검출 태스크를 사용하여 YOLO26 모델을 학습합니다.
- 새로운 이미지나 비디오 프레임을 입력하여 모델을 사용하여 예측을 수행합니다.
예시from ultralytics import YOLO # Load a pretrained YOLO model (adjust model type as needed) model = YOLO("yolo26n.pt") # n, s, m, l, x versions available # Perform object detection on an image results = model.predict(source="image.jpg") # Can also use video, directory, URL, etc. # Display the results results[0].show() # Show the first image results자세한 지침은 detection examples를 확인하세요.
세분화 태스크에 YOLO26을 사용하면 다음과 같은 몇 가지 이점이 있습니다:
- 높은 정확도: 세분화 태스크는 정밀한 픽셀 수준의 마스크를 제공합니다.
- 속도: YOLO26은 실시간 애플리케이션에 최적화되어 있어 고해상도 이미지에서도 빠른 처리를 제공합니다.
- 다양한 애플리케이션: 의료 영상, 자율주행 및 상세한 이미지 세분화가 필요한 기타 애플리케이션에 이상적입니다.
image segmentation section에서 세분화를 위한 YOLO26의 이점과 사용 사례에 대해 자세히 알아보세요.
네, Ultralytics YOLO26은 높은 정확도와 속도로 포즈 추정 및 키포인트 검출을 효과적으로 수행할 수 있습니다. 이 기능은 스포츠 분석, 헬스케어 및 인간-컴퓨터 상호작용 애플리케이션에서 움직임을 추적하는 데 특히 유용합니다. YOLO26은 이미지나 비디오 프레임에서 키포인트를 감지하여 정확한 포즈 추정을 가능하게 합니다.
자세한 내용과 구현 팁은 pose estimation examples를 방문하세요.
YOLO26을 사용한 회전된 객체 검출(OBB)은 추가 각도 파라미터로 객체를 감지하여 향상된 precision을 제공합니다. 이 기능은 항공 영상 분석 및 창고 자동화와 같이 회전된 객체의 정확한 위치 파악이 필요한 애플리케이션에 유용합니다.
- 향상된 정밀도: 각도 구성 요소는 회전된 객체에 대한 오탐지(False Positive)를 줄여줍니다.
- 다양한 애플리케이션: 지리 공간 분석, 로보틱스 등의 태스크에 유용합니다.
자세한 내용과 예제는 Oriented Object Detection section을 확인하세요.