물체 감지

Q: How do I train a YOLO11 model on my custom dataset?

사용자 지정 데이터 세트에서 YOLO11 모델을 학습하려면 몇 가지 단계를 거쳐야 합니다: 자세한 구성 옵션은 구성 페이지를 참조하세요.

Q: How can I validate the accuracy of my trained YOLO model?

학습된 YOLO11 모델의 정확도를 검증하려면 Python 에서 .val() 메서드를 사용하거나 CLI 에서 yolo detect val 명령을 사용할 수 있습니다. 이렇게 하면 mAP50-95, mAP50 등과 같은 메트릭이 제공됩니다. 유효성 검사에 대한 자세한 내용은 Val 페이지를 참조하세요.

Q: What formats can I export a YOLO11 model to?

Ultralytics YOLO11 를 사용하면 ONNX, TensorRT, CoreML 등과 같은 다양한 형식으로 모델을 내보낼 수 있어 다양한 플랫폼과 디바이스에서 호환성을 보장할 수 있습니다. 내보내기 페이지에서 지원되는 전체 형식 목록과 지침을 확인하세요.

물체 감지 예시

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

객체 감지기의 출력은 이미지에서 객체를 둘러싸는 경계 상자 집합과 각 상자에 대한 클래스 레이블 및 신뢰도 점수로 구성됩니다. 객체 감지는 장면에서 관심 있는 객체를 식별해야 하지만 객체의 정확한 위치나 모양을 정확히 알 필요는 없는 경우에 적합한 선택입니다.

Watch: 사전 학습된 Ultralytics YOLO 모델을 사용한 객체 감지.

팁

YOLO11 감지 모델은 기본값인 YOLO11 모델입니다. yolo11n.pt 에 대해 사전 교육을 받았으며 COCO.

모델

YOLO11 사전 학습된 감지 모델이 여기에 표시됩니다. 감지, 세그먼트 및 포즈 모델은 COCO 데이터 세트에서 사전 학습된 모델이며, 분류 모델은 ImageNet 데이터 세트에서 사전 학습된 모델입니다.

모델은 처음 사용할 때 최신 Ultralytics 릴리스에서 자동으로 다운로드됩니다.

모델	크기 ^(픽셀)	mAPval^50-95	속도 ^{CPU ONNX (ms)}	속도 T4^{TensorRT10 (ms)}	매개변수 ^(M)	FLOPs ^(B)
YOLO11n	640	39.5	56.1 ± 0.8	1.5 ± 0.0	2.6	6.5
YOLO11s	640	47.0	90.0 ± 1.2	2.5 ± 0.0	9.4	21.5
YOLO11m	640	51.5	183.2 ± 2.0	4.7 ± 0.1	20.1	68.0
YOLO11l	640	53.4	238.6 ± 1.4	6.2 ± 0.1	25.3	86.9
YOLO11x	640	54.7	462.8 ± 6.7	11.3 ± 0.2	56.9	194.9

^mAPval 값은 단일 모델 단일 스케일에 대한 것입니다. COCO val2017 데이터 세트.
복제 대상 yolo val detect data=coco.yaml device=0
속도 를 사용하여 COCO 값 이미지에 대한 평균을 구합니다. Amazon EC2 P4d 인스턴스입니다.
복제 대상 yolo val detect data=coco.yaml batch=1 device=0|cpu

기차

이미지 크기 640에서 100개의 에포크에 대해 COCO8 데이터 세트에서 YOLO11n을 훈련합니다. 사용 가능한 인수의 전체 목록은 구성 페이지를 참조하세요.

예

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

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

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolo11n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

데이터 집합 형식

YOLO 탐지 데이터 세트 형식은 데이터 세트 가이드에서 자세히 확인할 수 있습니다. 기존 데이터셋을 다른 형식(예: COCO 등)에서 YOLO 형식으로 변환하려면 JSON2YOLO 도구( Ultralytics)를 사용하세요.

Val

학습된 YOLO11n 모델 검증하기 정확성 로 설정할 수 있습니다. 인수가 필요하지 않으므로 model 교육 유지 data 및 인수를 모델 속성으로 사용합니다.

예

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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 contains map50-95 of each category

yolo detect val model=yolo11n.pt  # val official model
yolo detect val model=path/to/best.pt  # val custom model

예측

학습된 YOLO11n 모델을 사용하여 이미지에 대한 예측을 실행합니다.

예

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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

yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'  # predict with official model
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

전체 보기 predict 모드 세부 정보에서 예측 페이지로 이동합니다.

내보내기

ONNX, CoreML 등과 같은 다른 형식으로 YOLO11n 모델을 내보냅니다.

예

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom trained model

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

yolo export model=yolo11n.pt format=onnx  # export official model
yolo export model=path/to/best.pt format=onnx  # export custom trained model

사용 가능한 YOLO11 내보내기 형식은 아래 표에 나와 있습니다. 내보내는 형식은 format 인수, 즉 format='onnx' 또는 format='engine'. 내보낸 모델에서 직접 예측하거나 검증할 수 있습니다. yolo predict model=yolo11n.onnx. 내보내기가 완료된 후 모델에 대한 사용 예가 표시됩니다.

형식	`format` 인수	모델	메타데이터	인수
PyTorch	-	`yolo11n.pt`	✅	-
TorchScript	`torchscript`	`yolo11n.torchscript`	✅	`imgsz`, `optimize`, `batch`
ONNX	`onnx`	`yolo11n.onnx`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `opset`, `batch`
OpenVINO	`openvino`	`yolo11n_openvino_model/`	✅	`imgsz`, `half`, `int8`, `batch`
TensorRT	`engine`	`yolo11n.engine`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `workspace`, `int8`, `batch`
CoreML	`coreml`	`yolo11n.mlpackage`	✅	`imgsz`, `half`, `int8`, `nms`, `batch`
TF SavedModel	`saved_model`	`yolo11n_saved_model/`	✅	`imgsz`, `keras`, `int8`, `batch`
TF GraphDef	`pb`	`yolo11n.pb`	❌	`imgsz`, `batch`
TF Lite	`tflite`	`yolo11n.tflite`	✅	`imgsz`, `half`, `int8`, `batch`
TF Edge TPU	`edgetpu`	`yolo11n_edgetpu.tflite`	✅	`imgsz`
TF.js	`tfjs`	`yolo11n_web_model/`	✅	`imgsz`, `half`, `int8`, `batch`
PaddlePaddle	`paddle`	`yolo11n_paddle_model/`	✅	`imgsz`, `batch`
MNN	`mnn`	`yolo11n.mnn`	✅	`imgsz`, `batch`, `int8`, `half`
NCNN	`ncnn`	`yolo11n_ncnn_model/`	✅	`imgsz`, `half`, `batch`
IMX500	`imx`	`yolov8n_imx_model/`	✅	`imgsz`, `int8`

전체 보기 export 세부 정보에서 내보내기 페이지로 이동합니다.

자주 묻는 질문

사용자 지정 데이터 집합에서 YOLO11 모델을 학습하려면 어떻게 하나요?

사용자 지정 데이터 집합에서 YOLO11 모델을 학습하려면 몇 가지 단계가 필요합니다:

데이터 집합을 준비합니다: 데이터 세트가 YOLO 형식인지 확인합니다. 지침은 데이터 세트 가이드를 참조하세요.
모델을 로드합니다: Ultralytics YOLO 라이브러리를 사용하여 사전 학습된 모델을 로드하거나 YAML 파일에서 새 모델을 생성합니다.
모델 훈련: 실행 train 메서드 또는 Python 또는 yolo detect train 명령으로 CLI.

예

PythonCLI

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

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

yolo detect train data=my_custom_dataset.yaml model=yolo11n.pt epochs=100 imgsz=640

자세한 구성 옵션은 구성 페이지를 참조하세요.

YOLO11 에서 어떤 사전 학습된 모델을 사용할 수 있나요?

Ultralytics YOLO11 는 물체 감지, 분할, 포즈 추정을 위한 다양한 사전 훈련된 모델을 제공합니다. 이러한 모델은 분류 작업을 위해 COCO 데이터 세트 또는 ImageNet에서 사전 학습됩니다. 다음은 사용 가능한 모델 중 일부입니다:

자세한 목록과 성능 지표는 모델 섹션을 참조하세요.

학습된 YOLO 모델의 정확도를 검증하려면 어떻게 해야 하나요?

학습된 YOLO11 모델의 정확성을 검증하려면 다음을 사용할 수 있습니다. .val() 메서드 또는 Python 또는 yolo detect val CLI명령을 실행합니다. 그러면 mAP50-95, mAP50 등과 같은 메트릭이 제공됩니다.

예

PythonCLI

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

yolo detect val model=path/to/best.pt

자세한 인증 정보는 Val 페이지에서 확인하세요.

YOLO11 모델을 어떤 형식으로 내보낼 수 있나요?

Ultralytics YOLO11 를 사용하면 ONNX, TensorRT, CoreML 등과 같은 다양한 포맷으로 모델을 내보내 다양한 플랫폼과 디바이스에서 호환성을 보장할 수 있습니다.

예

PythonCLI

from ultralytics import YOLO

# Load the model
model = YOLO("yolo11n.pt")

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

yolo export model=yolo11n.pt format=onnx

내보내기 페이지에서 지원되는 형식의 전체 목록과 지침을 확인하세요.

물체 감지에 Ultralytics YOLO11 을 사용해야 하는 이유는 무엇인가요?

Ultralytics YOLO11 는 물체 감지, 세분화, 포즈 추정을 위한 최첨단 성능을 제공하도록 설계되었습니다. 몇 가지 주요 이점은 다음과 같습니다:

사전 학습된 모델: COCO 및 ImageNet과 같은 인기 있는 데이터 세트에서 사전 학습된 모델을 활용하여 더 빠르게 개발할 수 있습니다.
높은 정확도: 인상적인 맵 점수를 달성하여 신뢰할 수 있는 물체 감지를 보장합니다.
속도: 실시간 추론에 최적화되어 있어 신속한 처리가 필요한 애플리케이션에 이상적입니다.
유연성: 여러 플랫폼에 배포할 수 있도록 ONNX , TensorRT 등 다양한 형식으로 모델을 내보낼 수 있습니다.

블로그에서 사용 사례와 성공 사례( YOLO11 )를 살펴보세요.

📅1 년 전 생성됨 ✏️ 1개월 전 업데이트됨