Python 사용법
Ultralytics YOLO Python 사용법 문서에 오신 것을 환영합니다! 이 가이드는 객체 감지, 세그멘테이션, 분류를 위해 Ultralytics YOLO를 Python 프로젝트에 원활하게 통합할 수 있도록 설계되었습니다. 여기서는 사전 학습된 모델을 로드하고 사용하는 방법, 새 모델을 훈련하는 방법, 이미지에 대한 예측을 수행하는 방법을 배울 수 있습니다. 사용하기 쉬운 Python 인터페이스는 Python 프로젝트에 YOLO를 통합하려는 모든 사람에게 귀중한 리소스로, 고급 객체 감지 기능을 빠르게 구현할 수 있습니다. 시작해 봅시다!
시청하기: Mastering Ultralytics YOLO: Python
예를 들어, 사용자는 몇 줄의 코드만으로 모델을 로드하고, 훈련하고, 검증 세트에서 성능을 평가하고, ONNX 형식으로 내보내기까지 할 수 있습니다.
from ultralytics import YOLO
# Create a new YOLO model from scratch
model = YOLO("yolo26n.yaml")
# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo26n.pt")
# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)
# Evaluate the model's performance on the validation set
results = model.val()
# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")
# Export the model to ONNX format
success = model.export(format="onnx")Train
Train 모드는 커스텀 데이터셋에서 YOLO 모델을 훈련하는 데 사용됩니다. 이 모드에서는 지정된 데이터셋과 하이퍼파라미터를 사용하여 모델을 훈련합니다. 훈련 과정에서 모델의 파라미터를 최적화하여 이미지 내 객체의 클래스와 위치를 정확하게 예측할 수 있도록 합니다.
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # pass any model type
results = model.train(epochs=5)Val
Val 모드는 훈련된 YOLO 모델을 검증하는 데 사용됩니다. 이 모드에서는 검증 세트에서 모델을 평가하여 정확도와 일반화 성능을 측정합니다. 이 모드를 사용하여 모델 성능을 향상시키기 위한 하이퍼파라미터를 조정할 수 있습니다.
from ultralytics import YOLO
# Load a YOLO model
model = YOLO("yolo26n.yaml")
# Train the model
model.train(data="coco8.yaml", epochs=5)
# Validate on training data
model.val()Predict
Predict 모드는 새 이미지나 비디오에서 훈련된 YOLO 모델을 사용하여 예측을 수행하는 데 사용됩니다. 이 모드에서는 체크포인트 파일에서 모델을 로드하며, 사용자는 추론을 수행할 이미지나 비디오를 제공할 수 있습니다. 모델은 입력 이미지나 비디오에서 객체의 클래스와 위치를 예측합니다.
import cv2
from PIL import Image
from ultralytics import YOLO
model = YOLO("model.pt")
# accepts all formats - image/dir/Path/URL/video/PIL/ndarray. 0 for webcam
results = model.predict(source="0")
results = model.predict(source="folder", show=True) # Display preds. Accepts all YOLO predict arguments
# from PIL
im1 = Image.open("bus.jpg")
results = model.predict(source=im1, save=True) # save plotted images
# from ndarray
im2 = cv2.imread("bus.jpg")
results = model.predict(source=im2, save=True, save_txt=True) # save predictions as labels
# from list of PIL/ndarray
results = model.predict(source=[im1, im2])Export
Export 모드는 배포에 사용할 수 있는 형식으로 YOLO 모델을 내보내는 데 사용됩니다. 이 모드에서는 다른 소프트웨어 애플리케이션이나 하드웨어 장치에서 사용할 수 있는 형식으로 모델이 변환됩니다. 이 모드는 모델을 프로덕션 환경에 배포할 때 유용합니다.
동적 배치 크기 및 이미지 크기로 공식 YOLO 모델을 ONNX로 내보냅니다.
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.export(format="onnx", dynamic=True)Track
Track 모드는 YOLO 모델을 사용하여 실시간으로 객체를 추적하는 데 사용됩니다. 이 모드에서는 체크포인트 파일에서 모델을 로드하며, 사용자는 실시간 객체 추적을 수행하기 위해 라이브 비디오 스트림을 제공할 수 있습니다. 이 모드는 감시 시스템이나 자율주행 자동차 같은 애플리케이션에 유용합니다.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load an official detection model
model = YOLO("yolo26n-seg.pt") # load an official segmentation model
model = YOLO("path/to/best.pt") # load a custom model
# Track with the model
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True)
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")Benchmark
Benchmark 모드는 YOLO의 다양한 내보내기 형식에 대한 속도와 정확도를 프로파일링하는 데 사용됩니다. 벤치마크는 내보낸 형식의 크기, mAP50-95 지표(객체 감지 및 세그멘테이션) 또는 accuracy_top5 지표(분류), 그리고 ONNX, OpenVINO, TensorRT 등 다양한 내보내기 형식에 걸친 이미지당 추론 시간(밀리초)에 대한 정보를 제공합니다. 이 정보는 사용자가 속도와 정확도 요구 사항에 따라 특정 사용 사례에 최적의 내보내기 형식을 선택하는 데 도움이 됩니다.
모든 내보내기 형식에 걸쳐 공식 YOLO 모델을 벤치마크합니다.
from ultralytics.utils.benchmarks import benchmark
# Benchmark
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)Trainer 사용하기
YOLO 모델 클래스는 Trainer 클래스의 고수준 래퍼 역할을 합니다. 각 YOLO 작업에는 BaseTrainer에서 상속받는 자체 트레이너가 있습니다. 이 아키텍처는 머신 러닝 워크플로우에서 더 큰 유연성과 커스터마이제이션을 가능하게 합니다.
from ultralytics.models.yolo.detect import DetectionPredictor, DetectionTrainer, DetectionValidator
# trainer
trainer = DetectionTrainer(overrides={})
trainer.train()
trained_model = trainer.best
# Validator
val = DetectionValidator(args=...)
val(model=trained_model)
# predictor
pred = DetectionPredictor(overrides={})
pred(source=SOURCE, model=trained_model)
# resume from last weight
overrides["resume"] = trainer.last
trainer = DetectionTrainer(overrides=overrides)Trainer를 쉽게 커스터마이즈하여 커스텀 작업을 지원하거나 연구 및 개발 아이디어를 탐구할 수 있습니다. Ultralytics YOLO의 모듈식 설계를 통해 새로운 컴퓨터 비전 작업을 수행하거나 더 나은 성능을 위해 기존 모델을 파인튜닝하는 등 특정 요구 사항에 맞게 프레임워크를 조정할 수 있습니다.
FAQ
YOLO를 Python 프로젝트에 통합하여 객체 감지를 수행하려면 어떻게 해야 하나요?
Ultralytics YOLO를 Python 프로젝트에 통합하는 것은 간단합니다. 사전 학습된 모델을 로드하거나 처음부터 새 모델을 훈련할 수 있습니다. 시작하는 방법은 다음과 같습니다:
from ultralytics import YOLO
# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")
# Perform object detection on an image
results = model("https://ultralytics.com/images/bus.jpg")
# Visualize the results
for result in results:
result.show()Predict 모드 섹션에서 더 자세한 예제를 확인하세요.
YOLO에서 사용할 수 있는 다양한 모드는 무엇인가요?
Ultralytics YOLO는 다양한 머신 러닝 워크플로우에 맞는 여러 모드를 제공합니다. 다음과 같습니다:
- Train: 커스텀 데이터셋으로 모델을 훈련합니다.
- Val: 검증 세트에서 모델 성능을 검증합니다.
- Predict: 새 이미지나 비디오 스트림에서 예측을 수행합니다.
- Export: ONNX 및 TensorRT 같은 다양한 형식으로 모델을 내보냅니다.
- Track: 비디오 스트림에서 실시간 객체 추적을 수행합니다.
- Benchmark: 다양한 설정에서 모델 성능을 벤치마크합니다.
각 모드는 모델 개발 및 배포의 다양한 단계에 대한 포괄적인 기능을 제공하도록 설계되었습니다.
내 데이터셋으로 커스텀 YOLO 모델을 훈련하려면 어떻게 해야 하나요?
커스텀 YOLO 모델을 훈련하려면 데이터셋과 기타 하이퍼파라미터를 지정해야 합니다. 빠른 예제는 다음과 같습니다:
from ultralytics import YOLO
# Load the YOLO model
model = YOLO("yolo26n.yaml")
# Train the model with custom dataset
model.train(data="path/to/your/dataset.yaml", epochs=10)훈련 및 사용 예제에 대한 자세한 내용은 Train 모드 페이지를 방문하세요.
배포를 위해 YOLO 모델을 어떻게 내보내나요?
export 함수를 사용하면 배포에 적합한 형식으로 YOLO 모델을 쉽게 내보낼 수 있습니다. 예를 들어, ONNX 형식으로 모델을 내보낼 수 있습니다:
from ultralytics import YOLO
# Load the YOLO model
model = YOLO("yolo26n.pt")
# Export the model to ONNX format
model.export(format="onnx")다양한 내보내기 옵션에 대해서는 Export 모드 문서를 참조하세요.
다른 데이터셋에서 YOLO 모델을 검증할 수 있나요?
네, 다른 데이터셋에서 YOLO 모델을 검증하는 것이 가능합니다. 훈련 후 검증 모드를 사용하여 성능을 평가할 수 있습니다:
from ultralytics import YOLO
# Load a YOLO model
model = YOLO("yolo26n.yaml")
# Train the model
model.train(data="coco8.yaml", epochs=5)
# Validate the model on a different dataset
model.val(data="path/to/separate/data.yaml")자세한 예제 및 사용법은 Val 모드 페이지를 확인하세요.