커스텀 학습 Ultralytics YOLOv8 모델 내보내기

Ultralytics YOLOv8을 활용한 사용자 지정 객체 탐지를 자세히 살펴보겠습니다. 이번 블로그 게시물에서는 사용자 지정 모델을 학습시키고, 학습된 가중치를 내보내며, 웹캠으로 실시간 추론을 실행하는 복잡한 과정을 알아봅니다.

Link to this section사용자 지정 객체 탐지 모델 학습#

이전 영상에서는 Google Colab에서 사용자 지정 컵 데이터셋으로 YOLOv8 모델을 학습하는 영역을 다루었습니다. 학습 그래프가 꾸준히 개선되면서 손실(loss)은 감소하고 평균 정밀도(mAP)는 증가하는 것을 확인했습니다. 이를 바탕으로 당사의 특수 모델은 이제 5가지 유형의 컵을 매우 정확하게 식별할 수 있습니다.

사용자 지정 모델 학습이 완료되었으니, 이제 다음 단계인 학습된 가중치 내보내기와 웹캠을 통한 실시간 추론 실행에 대해 알아볼 차례입니다.

모델 추론은 학습된 컴퓨터 비전 모델을 사용하여 새롭고 본 적 없는 데이터에 기반한 예측이나 결정을 내리는 과정입니다. 이는 모델이 이미지와 같은 입력 데이터를 사용하여 학습된 파라미터와 구조를 통해 처리하는 단계입니다. 그 후 모델은 학습 작업에 따라 분류, 탐지 또는 세그멘테이션과 같은 출력을 생성합니다.

실무적인 측면에서 추론은 종종 학습된 모델을 프로덕션 환경에 배포하여 실시간 또는 일괄 처리 시나리오에서 실제 데이터를 처리하는 것을 포함합니다.

Link to this section학습된 모델 내보내기 및 추론 실행#

Colab에서 다운로드한 학습된 모델 가중치를 사용하면 Python 환경으로 원활하게 가져와 사용자 지정 모델의 잠재력을 완전히 발휘할 준비를 마칠 수 있습니다.

몇 줄의 코드로 웹캠에서 실시간 추론을 실행하도록 Python 스크립트를 설정하여 실시간 영상을 캡처하고 다양한 컵을 인상적인 정확도로 탐지할 수 있습니다. YOLOv8의 성능은 모델이 다양한 모양, 크기, 색상의 컵을 손쉽게 식별하면서 빛을 발하며, 실제 시나리오에서의 다재다능함과 신뢰성을 보여줍니다.

모델 파인 튜닝은 여러 가지 이점을 제공합니다. 사전 학습된 모델이 지원하지 않을 수 있는 객체를 탐지, 세그멘테이션 또는 분류할 수 있습니다. 또한 연구자나 데이터 과학자가 실제 데이터셋에서 모델 아키텍처가 어떻게 작동하는지 이해하도록 도울 수 있습니다.

그림 1. Nicolai Nielsen이 사용자 지정 모델 학습 방법, 학습된 가중치 내보내기, 웹캠으로 실시간 추론 실행 방법을 개괄하고 있습니다.

Link to this section마무리하며#

사용자 지정 모델 학습부터 학습된 가중치 내보내기 및 웹캠 실시간 추론 실행까지, 우리는 YOLOv8의 강력함과 다재다능함을 직접 목격했습니다.

Ultralytics YOLOv8을 통해 사용자 지정 객체 탐지의 잠재력을 최대한 발휘하기 위한 여정에 함께해주십시오. 함께 매 순간의 탐지를 통해 AI의 미래를 만들어 갑시다. Ultralytics의 모든 정보는 Ultralytics Platform과 당사 문서를 확인해주시고, 커뮤니티에 가입하여 최신 개발 소식을 놓치지 마십시오!

사용자 지정 학습된 YOLOv8 모델을 내보내고 웹캠에서 추론을 실행하는 방법에 대해 궁금하시다면, 전체 영상을 Watch the full video에서 확인해 주시기 바랍니다!