Object Detection#

객체 탐지는 이미지나 비디오 스트림에서 객체의 위치와 클래스를 식별하는 작업입니다.

객체 탐지기의 출력은 이미지 내 객체를 감싸는 경계 상자(bounding box)와 함께 각 상자에 대한 클래스 레이블 및 신뢰도 점수입니다. 객체 탐지 기법은 장면에서 관심 객체를 식별해야 하지만, 객체의 정확한 위치나 정밀한 형태를 파악할 필요는 없을 때 적합한 선택입니다.

모델#

YOLO26 사전 학습된 Detect 모델이 여기에 표시됩니다. Detect, Segment, Pose 모델은 COCO 데이터셋으로 사전 학습되며, Semantic 모델은 Cityscapes로, Classify 모델은 ImageNet 데이터셋으로 사전 학습됩니다.

모델은 처음 사용할 때 최신 Ultralytics 릴리스에서 자동으로 다운로드됩니다.

• mAP^val 값은 COCO val2017 데이터셋에서의 단일 모델 단일 스케일 결과입니다.
  재현하려면 yolo val detect data=coco.yaml device=0을 실행하십시오.
• **속도(Speed)**는 Amazon EC2 P4d 인스턴스를 사용하여 COCO val 이미지에서 평균을 낸 값입니다.
  재현하려면 yolo val detect data=coco.yaml batch=1 device=0|cpu를 실행하십시오.
• 파라미터(Params) 및 FLOPs 값은 Conv 및 BatchNorm 레이어를 병합하고 엔드투엔드(end2end) 모델의 경우 보조 일대다(one-to-many) 감지 헤드를 제거하는 model.fuse() 이후의 융합 모델 기준입니다. 사전 학습된 체크포인트는 전체 학습 아키텍처를 유지하므로 더 높은 수치를 보일 수 있습니다.

학습(Train)#

COCO8 데이터셋에서 이미지 크기 640으로 100 에포크 동안 YOLO26n을 학습하십시오. 사용 가능한 전체 인수 목록은 구성(Configuration) 페이지를 참조하십시오.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from YAML
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

train 모드에 대한 자세한 내용은 Train 페이지에서 확인하십시오. 탐지 모델은 Ultralytics Platform 클라우드 학습을 통해서도 학습할 수 있습니다.

데이터셋 형식#

YOLO 탐지 데이터셋 형식에 대한 자세한 내용은 Dataset Guide에서 확인할 수 있습니다. 기존 데이터셋을 다른 형식(COCO 등)에서 YOLO 형식으로 변환하려면 Ultralytics에서 제공하는 JSON2YOLO 도구를 사용하십시오. 또한 Ultralytics Platform의 AI 보조 주석 도구를 사용하여 탐지 데이터셋을 주석 처리하고 관리할 수 있습니다.

검증(Val)#

학습된 YOLO26n 모델의 정확도를 COCO8 데이터셋에서 검증하십시오. model이 학습된 data 및 인수를 모델 속성으로 유지하므로 별도의 인수는 필요하지 않습니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list containing mAP50-95 for each category
metrics.box.image_metrics  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

추론(Predict)#

학습된 YOLO26n 모델을 사용하여 이미지에 대한 예측을 실행하십시오.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image

# Access the results
for result in results:
    xywh = result.boxes.xywh  # center-x, center-y, width, height
    xywhn = result.boxes.xywhn  # normalized
    xyxy = result.boxes.xyxy  # top-left-x, top-left-y, bottom-right-x, bottom-right-y
    xyxyn = result.boxes.xyxyn  # normalized
    names = [result.names[cls.item()] for cls in result.boxes.cls.int()]  # class name of each box
    confs = result.boxes.conf  # confidence score of each box

전체 predict 모드 세부 정보는 Predict 페이지를 확인하십시오.

결과 출력#

객체 탐지는 이미지당 하나의 Results 객체를 반환합니다. 주요 예측 필드는 result.boxes이며, 여기에는 감지된 각 객체에 대한 상자 좌표, 클래스 ID 및 신뢰도 점수가 포함됩니다.

모든 작업에 걸친 작업별 Results 필드는 작업별 예측 결과 섹션을 참조하십시오.

내보내기(Export)#

YOLO26n 모델을 ONNX, CoreML 등과 같은 다른 형식으로 내보내기(Export)하십시오.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom-trained model

# Export the model
model.export(format="onnx")

사용 가능한 YOLO26 내보내기 형식은 아래 표와 같습니다. format 인수를 사용하여 모든 형식으로 내보낼 수 있습니다(예: format='onnx' 또는 format='engine'). 내보낸 모델에서 직접 예측하거나 검증할 수 있습니다(예: yolo predict model=yolo26n.onnx). 모델 내보내기가 완료되면 사용 예제가 표시됩니다.

전체 export 세부 사항은 Export 페이지에서 확인하십시오.

FAQ#

코딩 없이 탐지 모델을 학습하고 배포할 수 있습니까?#

예, 가능합니다. Ultralytics Platform 퀵스타트에서는 브라우저 기반 워크플로를 통해 데이터셋에 주석을 달고, 클라우드 GPU에서 탐지 모델을 학습시키며, 이를 추론 엔드포인트에 배포하는 방법을 다룹니다.

사용자 지정 데이터셋에서 YOLO26 모델을 어떻게 학습합니까?#

사용자 지정 데이터셋에서 YOLO26 모델을 학습하는 과정은 다음과 같은 몇 가지 단계로 이루어집니다:

1. 데이터셋 준비: 데이터셋이 YOLO 형식인지 확인하십시오. 지침은 데이터셋 가이드를 참조하십시오.
2. 모델 로드: Ultralytics YOLO 라이브러리를 사용하여 사전 학습된 모델을 로드하거나 YAML 파일에서 새 모델을 생성하십시오.
3. 모델 학습: Python에서 train 메서드를 실행하거나 CLI에서 yolo detect train 명령을 실행하십시오.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset
model.train(data="my_custom_dataset.yaml", epochs=100, imgsz=640)

자세한 구성 옵션은 구성(Configuration) 페이지를 방문하십시오.

YOLO26에서 사용 가능한 사전 학습 모델은 무엇입니까?#

Ultralytics YOLO26은 객체 탐지, 인스턴스 분할, 의미론적 분할 및 자세 추정을 위한 다양한 사전 학습 모델을 제공합니다. 이 모델들은 COCO 데이터셋, 의미론적 분할을 위한 Cityscapes, 또는 분류 작업을 위한 ImageNet으로 사전 학습되었습니다. 사용 가능한 모델 중 일부는 다음과 같습니다:

• YOLO26n
• YOLO26s
• YOLO26m
• YOLO26l
• YOLO26x

자세한 목록 및 성능 지표는 모델(Models) 섹션을 참조하십시오.

학습된 YOLO 모델의 정확도를 어떻게 검증할 수 있습니까?#

학습된 YOLO26 모델의 정확도를 검증하려면 Python에서 .val() 메서드를 사용하거나 CLI에서 yolo detect val 명령을 사용할 수 있습니다. 이를 통해 mAP50-95, mAP50 등의 지표를 확인할 수 있습니다.

from ultralytics import YOLO

# Load the model
model = YOLO("path/to/best.pt")

# Validate the model
metrics = model.val()
print(metrics.box.map)  # mAP50-95

더 자세한 검증 내용은 검증(Val) 페이지를 방문하십시오.

YOLO26 모델은 어떤 형식으로 내보낼 수 있습니까?#

Ultralytics YOLO26은 ONNX, TensorRT, CoreML 등 다양한 형식으로 모델을 내보낼 수 있어 서로 다른 플랫폼과 기기 간의 호환성을 보장합니다.

from ultralytics import YOLO

# Load the model
model = YOLO("yolo26n.pt")

# Export the model to ONNX format
model.export(format="onnx")

지원되는 전체 형식 목록 및 지침은 내보내기(Export) 페이지를 확인하십시오.

왜 객체 탐지에 Ultralytics YOLO26을 사용해야 합니까?#

Ultralytics YOLO26은 객체 탐지, 인스턴스 분할, 의미론적 분할 및 자세 추정 분야에서 최첨단 성능을 제공하도록 설계되었습니다. 주요 장점은 다음과 같습니다:

1. 사전 훈련된 모델: COCO 및 ImageNet과 같은 널리 사용되는 데이터셋으로 사전 훈련된 모델을 활용하여 더 빠르게 개발하십시오.
2. 높은 정확도: 인상적인 mAP 점수를 달성하여 신뢰할 수 있는 객체 탐지를 보장합니다.
3. 속도: 실시간 추론에 최적화되어 신속한 처리가 필요한 애플리케이션에 이상적입니다.
4. 유연성: 모델을 ONNX 및 TensorRT와 같은 다양한 형식으로 내보내 여러 플랫폼에 배포할 수 있습니다.

실제 동작 중인 YOLO26을 보여주는 사용 사례와 성공 사례는 저희 블로그에서 살펴보십시오.