Ultralytics YOLO를 사용한 객체 탐지#

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

객체 탐지기의 출력은 이미지 내 객체를 둘러싸는 바운딩 박스 집합과 각 박스에 대한 클래스 레이블 및 신뢰도 점수입니다. 장면에서 관심 있는 객체를 식별해야 하지만 객체의 정확한 위치나 형태까지 알 필요는 없는 경우 객체 탐지가 적합합니다.

모델#

여기에는 YOLO26 사전 학습 Detect 모델이 나와 있습니다. Detect, Segment 및 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 기준입니다.
  재현하려면 yolo val detect data=coco.yaml device=0을 사용하십시오. e2e 열을 재현하려면 nms=False를 추가하십시오.
• Speed는 Amazon EC2 P4d 인스턴스를 사용하여 COCO val 이미지에 대해 평균을 낸 값입니다.
  yolo val detect data=coco.yaml batch=1 device=0|cpu nms=False로 재현할 수 있습니다.
• Params 및 FLOPs 값은 Conv/BatchNorm 융합 및 사용되지 않는 탐지 브랜치 제거 이후의 융합된 모델 기준입니다. 사전 학습된 체크포인트는 전체 학습 아키텍처를 유지하므로 더 높은 수치를 나타낼 수 있습니다.

초기 COCO 탐지 결과에 대해서는 미출시 YOLO27 미리보기를 참조하십시오.

학습#

이미지 크기 640으로 COCO8 데이터셋에서 100 epoch 동안 YOLO26n을 학습합니다. 사용 가능한 인수의 전체 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 페이지에서 전체 train 모드 세부 정보를 확인하십시오. 탐지 모델은 Ultralytics Platform 클라우드 학습으로도 학습할 수 있습니다.

데이터셋 형식#

YOLO 감지 데이터셋 형식에 대한 자세한 내용은 데이터셋 가이드에서 확인할 수 있습니다. 기존 COCO JSON 데이터셋을 YOLO 형식으로 변환하려면 COCO에서 YOLO로 가이드에 설명된 기본 제공 convert_coco 함수를 사용하십시오. 또한 Ultralytics 플랫폼의 AI 지원 어노테이션 도구를 사용하여 감지 데이터셋을 어노테이션하고 관리할 수 있습니다.

검증#

COCO8 데이터셋에서 학습된 YOLO26n 모델의 정확도를 검증합니다. model이 학습 data 및 인수를 모델 속성으로 유지하므로 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

Prediction#

학습된 YOLO26n 모델을 사용하여 이미지에 대한 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

전체 predict mode 세부 정보는 Predict 페이지를 참조하십시오.

결과 출력#

객체 탐지는 이미지당 하나의 Results 객체를 반환합니다. 기본 예측 필드는 result.boxes이며, 여기에는 탐지된 각 객체의 박스 좌표, 클래스 ID 및 신뢰도 점수가 포함됩니다.

모든 task에서 task-specific Results field를 확인하려면 Predict Results by Task 섹션을 참조하십시오.

내보내기#

YOLO26n 모델을 ONNX, CoreML 등의 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 표에 나와 있습니다. format 인수, 즉 format='onnx' 또는 format='engine'를 사용하여 모든 형식으로 내보낼 수 있습니다. 내보낸 모델에서 직접 예측하거나 검증할 수 있으며, 즉 yolo predict model=yolo26n.onnx을 사용할 수 있습니다. 내보내기가 완료되면 해당 모델에 대한 사용 예제가 표시됩니다.

nms=None은(는) 외부 NMS에 대해 기본적으로 원시 출력을 사용합니다. 사용 가능한 NMS 프리 헤드를 선택하려면 nms=False을(를) 설정하세요. 지원되지 않는 형식은 기본 출력 경로로 대체됩니다. 위의 nms 항목은 nms=True(으)로 NMS를 임베드할 수 있는 형식을 식별합니다.

전체 export 세부 정보는 Export 페이지를 참조하십시오.

FAQ#