Ultralytics YOLO를 사용한 객체 감지#

객체 감지는 이미지 또는 비디오 스트림에서 객체의 위치와 클래스를 식별하는 작업입니다.

객체 감지기의 출력은 이미지 내 객체를 둘러싸는 바운딩 박스 집합과 각 박스의 클래스 레이블 및 신뢰도 점수입니다. 장면에서 관심 객체를 식별해야 하지만 객체의 정확한 형태까지 알 필요는 없는 경우 객체 감지를 사용하면 좋습니다.

모델#

COCO 데이터셋으로 사전 학습된 YOLO26 Detect 모델은 아래와 같습니다.

모델은 처음 사용할 때 최신 Ultralytics 릴리스에서 자동으로 다운로드됩니다.

• mAP^val 값은 COCO val2017 데이터셋에서 단일 모델, 단일 스케일로 측정한 결과입니다.
  yolo detect val data=coco.yaml device=0로 재현할 수 있습니다. e2e 열을 재현하려면 nms=False를 추가하세요.
• 속도는 CPU의 ONNX와 NVIDIA T4 GPU의 TensorRT10을 사용하여 COCO val 이미지에서 측정한 평균값입니다.
  yolo detect val data=coco.yaml batch=1 device=0|cpu nms=False로 재현할 수 있습니다.
• Params 및 FLOPs 값은 Conv/BatchNorm 폴딩과 사용하지 않는 감지 브랜치 제거 후의 융합 모델 기준입니다. 사전 학습된 체크포인트에는 전체 학습 아키텍처가 유지되므로 값이 더 높을 수 있습니다.

예비 COCO 감지 결과는 미공개 YOLO27 프리뷰를 참조하세요.

학습#

COCO8 데이터셋에서 이미지 크기 640으로 100 에포크 동안 YOLO26n을 학습하세요. 사용 가능한 인수 전체 목록은 구성 페이지를 참조하세요.

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n.yaml")  # YAML에서 새 모델을 생성합니다.
model = YOLO("yolo26n.pt")  # 사전 학습된 모델을 불러옵니다(학습에 권장).
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # YAML에서 모델을 생성하고 가중치를 전이합니다.

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

Train 페이지에서 train 모드의 전체 세부 정보를 확인하세요. 감지 모델은 Ultralytics Platform 클라우드 학습으로도 학습할 수 있습니다.

데이터셋 형식#

YOLO 감지 데이터셋 형식에 대한 자세한 내용은 데이터셋 가이드를 참조하세요. 기존 COCO JSON 데이터셋을 YOLO 형식으로 변환하려면 COCO에서 YOLO로 변환하는 가이드에 설명된 내장 convert_coco 함수를 사용하세요. 또한 Ultralytics Platform의 AI 지원 어노테이션 도구를 사용하여 감지 데이터셋에 어노테이션을 추가하고 관리할 수 있습니다.

검증#

학습된 YOLO26n 모델의 정확도를 검증합니다. model에는 학습 data와 인수가 모델 속성으로 유지되므로 인수가 필요하지 않습니다. Train 예제의 path/to/best.pt은 COCO8에서 검증을 수행합니다. 공식 가중치에는 컴퓨터에 존재하지 않는 학습 데이터셋 경로가 기록되어 있으므로, 경고와 함께 작업 기본값 coco8.yaml로 대체됩니다. 다른 데이터셋에서 검증하려면 data을 전달하세요.

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n.pt")  # 공식 모델을 불러옵니다
model = YOLO("path/to/best.pt")  # 사용자 지정 모델 로드

# 모델을 검증합니다
metrics = model.val()  # 데이터셋과 설정이 기억되므로 인수가 필요하지 않습니다
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # 각 카테고리의 mAP50-95를 포함하는 목록
metrics.box.image_metrics  # 정밀도, 재현율, F1, TP, FP, FN이 포함된 이미지별 지표 사전

예측#

학습된 YOLO26n 모델을 사용하여 이미지에 대한 예측을 수행합니다.

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n.pt")  # 공식 모델을 불러옵니다
model = YOLO("path/to/best.pt")  # 사용자 지정 모델 로드

# 모델로 예측을 수행합니다
results = model("https://ultralytics.com/images/bus.jpg")  # 이미지에 대해 예측을 수행합니다

# 결과에 액세스합니다
for result in results:
    xywh = result.boxes.xywh  # 중심 x, 중심 y, 너비, 높이
    xywhn = result.boxes.xywhn  # normalized
    xyxy = result.boxes.xyxy  # 왼쪽 위 x, 왼쪽 위 y, 오른쪽 아래 x, 오른쪽 아래 y
    xyxyn = result.boxes.xyxyn  # normalized
    names = [result.names[cls.item()] for cls in result.boxes.cls.int()]  # 각 박스의 클래스 이름
    confs = result.boxes.conf  # 각 박스의 신뢰도 점수

Predict 페이지에서 predict 모드의 전체 세부 정보를 확인하세요.

결과 출력#

객체 감지는 이미지당 Results 객체 하나를 반환합니다. 주요 예측 필드는 result.boxes이며, 여기에 감지된 각 객체의 박스 좌표, 클래스 ID, 신뢰도 점수가 포함됩니다.

모든 작업에서 작업별 Results 필드를 확인하려면 작업별 예측 결과 섹션을 참조하세요.

내보내기#

YOLO26n 모델을 ONNX, CoreML 등의 다른 형식으로 내보냅니다.

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n.pt")  # 공식 모델을 불러옵니다
model = YOLO("path/to/best.pt")  # 사용자 지정 모델 로드

# 모델을 내보냅니다
model.export(format="onnx")

사용 가능한 YOLO26 내보내기 형식은 아래 표와 같습니다. format 인수, 즉 format='onnx' 또는 format='engine'를 사용하여 원하는 형식으로 내보낼 수 있습니다. 내보낸 모델에서 직접 예측하거나 검증할 수 있습니다. 예: yolo predict model=yolo26n.onnx. 내보내기가 완료되면 해당 모델의 사용 예제가 표시됩니다.

nms=None은 외부 NMS를 위한 원시 출력을 기본값으로 사용합니다. 사용 가능한 NMS-free head를 선택하려면 nms=False을 설정합니다. 지원되지 않는 형식은 해당 형식의 기본 출력 경로로 대체됩니다. 위의 nms 항목은 nms=True을 사용해 NMS를 포함할 수 있는 형식을 나타냅니다.

자세한 export 내용은 내보내기 페이지를 참조하세요.

자주 묻는 질문#