객체 탐지

객체 탐지는 이미지나 비디오 스트림에서 객체의 위치와 클래스를 식별하는 작업입니다.

객체 탐지 모델의 출력은 이미지 내 객체를 둘러싼 바운딩 박스 세트와 각 박스에 대한 클래스 레이블 및 신뢰도 점수입니다. 객체 탐지는 장면 내의 관심 객체를 식별해야 하지만, 객체의 정확한 위치나 형태까지 알 필요는 없을 때 적합한 선택입니다.

모델

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

모델은 처음 사용할 때 최신 Ultralytics 릴리스에서 자동으로 다운로드됩니다.

• mAP^val 값은 COCO val2017 데이터셋에서 단일 모델 단일 스케일로 측정한 값입니다.
  재현하려면 yolo val detect data=coco.yaml device=0을 사용하십시오.
• 속도는 Amazon EC2 P4d 인스턴스를 사용하여 COCO val 이미지에서 평균을 낸 값입니다.
  재현하려면 yolo val detect data=coco.yaml batch=1 device=0|cpu를 사용하십시오.
• Params 및 FLOPs 값은 model.fuse() 이후의 융합된 모델에 대한 값입니다. 이 함수는 Conv 및 BatchNorm 레이어를 병합하며, end2end 모델의 경우 보조적인 일대다(one-to-many) 탐지 헤드를 제거합니다. 사전 학습된 체크포인트는 전체 학습 아키텍처를 유지하므로 더 높은 수치를 보일 수 있습니다.

학습 (Train)

COCO8 데이터셋에서 640 이미지 크기로 100 에포크 동안 YOLO26n을 학습시킵니다. 사용 가능한 전체 인수 목록은 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 페이지를 참조하십시오. 탐지 모델은 Ultralytics Platform을 통해 클라우드 GPU에서 학습시킬 수도 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 Ultralytics의 JSON2YOLO 도구를 사용하십시오. 또한 AI 보조 라벨링 도구를 사용하여 Ultralytics Platform에서 직접 탐지 데이터셋을 주석 처리하고 관리할 수 있습니다.

검증 (Val)

COCO8 데이터셋에서 학습된 YOLO26n 모델 정확도를 검증합니다. model이 학습된 data와 인수를 모델 속성으로 유지하므로 별도의 인수가 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

예측(Predict)

학습된 YOLO26n 모델을 사용하여 이미지에서 예측을 실행합니다.

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

predict 모드에 대한 자세한 내용은 Predict 페이지를 참조하십시오.

내보내기 (Export)

YOLO26n 모델을 ONNX, CoreML 등 다른 형식으로 내보냅니다.

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 모델에 대해 직접 예측하거나 검증할 수 있습니다(예: yolo predict model=yolo26n.onnx). 내보내기가 완료된 후 모델 사용 예시가 표시됩니다.

전체 export 세부 정보는 내보내기 페이지를 참조하십시오.

FAQ

코딩 없이 탐지 모델을 학습시키고 배포할 수 있나요?

네. Ultralytics Platform은 데이터셋 주석 처리, 클라우드 GPU에서의 탐지 모델 학습, 추론 엔드포인트로의 배포를 위한 브라우저 기반 워크플로우를 제공합니다. 시작하려면 Platform quickstart를 확인하십시오.

사용자 지정 데이터셋에서 YOLO26 모델을 어떻게 학습시키나요?

사용자 지정 데이터셋에서 YOLO26 모델을 학습시키는 과정은 몇 가지 단계로 구성됩니다.

1. 데이터셋 준비: 데이터셋이 YOLO 형식인지 확인하십시오. 자세한 안내는 Dataset Guide를 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 설정 옵션은 Configuration 페이지를 방문하십시오.

YOLO26에서 사용할 수 있는 사전 학습된 모델은 무엇인가요?

Ultralytics YOLO26은 객체 탐지, 세그멘테이션 및 포즈 추정을 위한 다양한 사전 학습 모델을 제공합니다. 이러한 모델은 COCO 데이터셋으로 사전 학습되거나 분류 작업을 위해 ImageNet으로 사전 학습됩니다. 사용 가능한 모델은 다음과 같습니다.

• YOLO26n
• YOLO26s
• YOLO26m
• YOLO26l
• YOLO26x

자세한 목록 및 성능 지표는 Models 섹션을 참조하십시오.

학습된 YOLO 모델의 정확도를 어떻게 검증할 수 있나요?

학습된 YOLO26 모델의 정확도를 검증하려면 Python에서 .val() 메서드를 사용하거나 CLI에서 yolo detect val 명령을 사용하십시오. 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 Val 페이지를 방문하십시오.

YOLO26 모델을 어떤 형식으로 내보낼 수 있나요?

Ultralytics YOLO26은 서로 다른 플랫폼과 장치 간의 호환성을 보장하기 위해 모델을 ONNX, TensorRT, CoreML 등 다양한 형식으로 내보낼 수 있습니다.

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 Export 페이지를 확인하십시오.

왜 객체 탐지에 Ultralytics YOLO26을 사용해야 하나요?

Ultralytics YOLO26은 객체 탐지, 세그멘테이션 및 포즈 추정 분야에서 최고 수준의 성능을 제공하도록 설계되었습니다. 주요 장점은 다음과 같습니다.

1. 사전 학습된 모델: COCO 및 ImageNet과 같이 널리 사용되는 데이터셋으로 사전 학습된 모델을 활용하여 개발 속도를 높일 수 있습니다.
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 동작하는 YOLO26의 사용 사례 및 성공 사례는 당사 블로그에서 확인하십시오.