Python 사용법

YOLOv8 Python 사용 설명서에 오신 것을 환영합니다! 이 가이드는 물체 감지, 세분화 및 분류를 위해 Python 프로젝트에 YOLOv8 을 원활하게 통합하는 데 도움이 되도록 설계되었습니다. 여기에서는 사전 학습된 모델을 로드 및 사용하고, 새 모델을 학습시키고, 이미지에 대한 예측을 수행하는 방법을 배웁니다. 사용하기 쉬운 Python 인터페이스는 YOLOv8 을 Python 프로젝트에 통합하여 고급 객체 감지 기능을 빠르게 구현하려는 모든 사람에게 유용한 리소스입니다. 지금 시작해보세요!

Watch: 마스터하기 Ultralytics YOLOv8 : Python

예를 들어, 사용자는 몇 줄의 코드만으로 모델을 로드하고, 학습하고, 유효성 검사 세트에서 성능을 평가하고, ONNX 형식으로 내보낼 수도 있습니다.

Python

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO('yolov8n.yaml')

# Load a pretrained YOLO model (recommended for training)
model = YOLO('yolov8n.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')

기차

훈련 모드는 사용자 지정 데이터 세트에서 YOLOv8 모델을 훈련하는 데 사용됩니다. 이 모드에서는 지정된 데이터 세트와 하이퍼파라미터를 사용하여 모델을 학습시킵니다. 훈련 과정에는 이미지에서 객체의 클래스와 위치를 정확하게 예측할 수 있도록 모델의 매개변수를 최적화하는 작업이 포함됩니다.

기차

사전 교육에서(권장)처음부터이력서

from ultralytics import YOLO

model = YOLO('yolov8n.pt') # pass any model type
results = model.train(epochs=5)

from ultralytics import YOLO

model = YOLO('yolov8n.yaml')
results = model.train(data='coco8.yaml', epochs=5)

model = YOLO("last.pt")
results = model.train(resume=True)

열차 예시

Val

Val 모드는 YOLOv8 모델을 학습한 후 검증하는 데 사용됩니다. 이 모드에서는 유효성 검사 세트에서 모델을 평가하여 정확도와 일반화 성능을 측정합니다. 이 모드는 모델의 하이퍼파라미터를 조정하여 성능을 개선하는 데 사용할 수 있습니다.

Val

훈련 후 ValVal 독립적으로

  from ultralytics import YOLO

  model = YOLO('yolov8n.yaml')
  model.train(data='coco8.yaml', epochs=5)
  model.val()  # It'll automatically evaluate the data you trained.

  from ultralytics import YOLO

  model = YOLO("model.pt")
  # It'll use the data YAML file in model.pt if you don't set data.
  model.val()
  # or you can set the data you want to val
  model.val(data='coco8.yaml')

Val 예제

예측

예측 모드는 새로운 이미지 또는 동영상에 대해 학습된 YOLOv8 모델을 사용하여 예측하는 데 사용됩니다. 이 모드에서는 체크포인트 파일에서 모델이 로드되며, 사용자는 추론을 수행할 이미지 또는 동영상을 제공할 수 있습니다. 모델은 입력된 이미지 또는 동영상에서 객체의 클래스 및 위치를 예측합니다.

예측

출처: 출처결과 사용

from ultralytics import YOLO
from PIL import Image
import cv2

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])

# results would be a list of Results object including all the predictions by default
# but be careful as it could occupy a lot memory when there're many images,
# especially the task is segmentation.
# 1. return as a list
results = model.predict(source="folder")

# results would be a generator which is more friendly to memory by setting stream=True
# 2. return as a generator
results = model.predict(source=0, stream=True)

for result in results:
    # Detection
    result.boxes.xyxy   # box with xyxy format, (N, 4)
    result.boxes.xywh   # box with xywh format, (N, 4)
    result.boxes.xyxyn  # box with xyxy format but normalized, (N, 4)
    result.boxes.xywhn  # box with xywh format but normalized, (N, 4)
    result.boxes.conf   # confidence score, (N, 1)
    result.boxes.cls    # cls, (N, 1)

    # Segmentation
    result.masks.data      # masks, (N, H, W)
    result.masks.xy        # x,y segments (pixels), List[segment] * N
    result.masks.xyn       # x,y segments (normalized), List[segment] * N

    # Classification
    result.probs     # cls prob, (num_class, )

# Each result is composed of torch.Tensor by default,
# in which you can easily use following functionality:
result = result.cuda()
result = result.cpu()
result = result.to("cpu")
result = result.numpy()

예측 예제

내보내기

내보내기 모드는 YOLOv8 모델을 배포에 사용할 수 있는 형식으로 내보내는 데 사용됩니다. 이 모드에서는 모델이 다른 소프트웨어 애플리케이션이나 하드웨어 장치에서 사용할 수 있는 형식으로 변환됩니다. 이 모드는 모델을 프로덕션 환경에 배포할 때 유용합니다.

내보내기

내보내기 대상 ONNX내보내기 대상 TensorRT

동적 배치 크기 및 이미지 크기를 사용하여 공식 YOLOv8n 모델을 ONNX 으로 내보냅니다.

  from ultralytics import YOLO

  model = YOLO('yolov8n.pt')
  model.export(format='onnx', dynamic=True)

공식 YOLOv8n 모델을 TensorRT 으로 내보내기 device=0 를 사용하여 CUDA 디바이스에서 가속할 수 있습니다.

  from ultralytics import YOLO

  model = YOLO('yolov8n.pt')
  model.export(format='onnx', device=0)

내보내기 예제

트랙

추적 모드는 YOLOv8 모델을 사용하여 실시간으로 개체를 추적하는 데 사용됩니다. 이 모드에서는 체크포인트 파일에서 모델을 로드하고 사용자가 실시간 비디오 스트림을 제공하여 실시간 객체 추적을 수행할 수 있습니다. 이 모드는 감시 시스템이나 자율 주행 차량과 같은 애플리케이션에 유용합니다.

트랙

Python

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load an official detection model
model = YOLO('yolov8n-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")

트랙 예시

벤치마크

벤치마크 모드는 YOLOv8 에 대한 다양한 내보내기 형식의 속도와 정확도를 프로파일링하는 데 사용됩니다. 벤치마크는 내보낸 형식의 크기, 내보낸 형식에 대한 정보를 제공합니다. mAP50-95 메트릭(객체 감지 및 세분화용) 또는 accuracy_top5 메트릭(분류용)과 ONNX, OpenVINO, TensorRT 등과 같은 다양한 내보내기 형식에서 이미지당 밀리초 단위의 추론 시간을 확인할 수 있습니다. 이 정보는 사용자가 속도와 정확성에 대한 요구 사항에 따라 특정 사용 사례에 맞는 최적의 내보내기 형식을 선택하는 데 도움이 될 수 있습니다.

벤치마크

Python

모든 내보내기 형식에서 공식 YOLOv8n 모델을 벤치마킹하세요.

from ultralytics.utils.benchmarks import benchmark

# Benchmark
benchmark(model='yolov8n.pt', data='coco8.yaml', imgsz=640, half=False, device=0)

벤치마크 예시

탐색기

Explorer API는 고급 시맨틱, 벡터 유사도, SQL 검색 등의 기능을 통해 데이터 세트를 탐색하는 데 사용할 수 있습니다. 또한 자연어 처리 기능을 활용해 자연어를 사용해 콘텐츠를 기반으로 이미지를 검색할 수도 있습니다. Explorer API를 사용하면 자신만의 데이터 세트 탐색 노트북이나 스크립트를 작성하여 데이터 세트에 대한 인사이트를 얻을 수 있습니다.

탐색기를 사용한 시맨틱 검색

이미지 사용데이터 집합 인덱스 사용

from ultralytics import Explorer

# create an Explorer object
exp = Explorer(data='coco8.yaml', model='yolov8n.pt')
exp.create_embeddings_table()

similar = exp.get_similar(img='https://ultralytics.com/images/bus.jpg', limit=10)
print(similar.head())

# Search using multiple indices
similar = exp.get_similar(
                        img=['https://ultralytics.com/images/bus.jpg',
                             'https://ultralytics.com/images/bus.jpg'],
                        limit=10
                        )
print(similar.head())

from ultralytics import Explorer

# create an Explorer object
exp = Explorer(data='coco8.yaml', model='yolov8n.pt')
exp.create_embeddings_table()

similar = exp.get_similar(idx=1, limit=10)
print(similar.head())

# Search using multiple indices
similar = exp.get_similar(idx=[1,10], limit=10)
print(similar.head())

탐색기

트레이너 사용

YOLO 모델 클래스는 트레이너 클래스의 상위 레벨 래퍼입니다. 각 YOLO 작업에는 다음을 상속하는 자체 트레이너가 있습니다. BaseTrainer.

탐지 트레이너 예시

```python
from ultralytics.models.yolo import DetectionTrainer, DetectionValidator, DetectionPredictor

# 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 = detect.DetectionTrainer(overrides=overrides)
```

트레이너를 쉽게 사용자 지정하여 맞춤형 작업을 지원하거나 R&D 아이디어를 탐색할 수 있습니다. 사용자 지정에 대해 자세히 알아보기 Trainers, Validators 그리고 Predictors 사용자 지정 섹션에서 프로젝트 요구 사항에 맞게 조정할 수 있습니다.

사용자 지정 튜토리얼

생성 2023-11-12, 업데이트 2024-04-18
작성자: glenn-jocher (9), AyushExel (1), RizwanMunawar (1), Laughing-q (1), maianumerosky (1)

Python 사용법

기차

Val

예측

내보내기

트랙

벤치마크

탐색기

트레이너 사용

댓글