커스텀 학습한 Ultralytics YOLOv8 모델 내보내기

Ultralytics YOLOv8을 활용한 맞춤 객체 탐지에 대해 자세히 살펴봅니다. 이 블로그 게시물에서는 맞춤 모델을 학습하고, 학습된 가중치를 내보내며, 웹캠에서 실시간 추론을 실행하는 복잡한 과정을 알아봅니다.

맞춤 객체 탐지 모델 학습#

이전 영상에서는 Google Colab에서 맞춤 컵 데이터셋으로 Ultralytics YOLOv8 모델을 학습하는 과정을 자세히 살펴보았습니다. 손실이 감소하고 평균 정밀도(mAP)가 증가하면서 학습 그래프가 꾸준히 개선되는 모습을 확인했습니다. 이를 바탕으로 이제 저희의 맞춤 모델은 서로 다른 다섯 가지 종류의 컵을 매우 정확하게 식별할 수 있습니다.

맞춤 모델의 학습이 완료되어 사용할 준비가 되었으므로, 이제 다음 단계인 학습된 가중치 내보내기와 웹캠에서 실시간 추론 실행을 살펴볼 차례입니다.

모델 추론은 학습된 컴퓨터 비전 모델을 사용하여 새롭고 보지 못한 데이터를 기반으로 예측이나 결정을 내리는 과정입니다. 이는 모델이 이미지와 같은 입력 데이터를 받아 학습된 매개변수와 구조를 통해 처리하는 과정입니다. 그런 다음 모델은 학습 작업에 따라 분류, 탐지 또는 세그멘테이션과 같은 출력을 생성합니다.

실제 환경에서 추론은 학습된 모델을 프로덕션 환경에 배포하여 실시간 또는 일괄 처리 시나리오에서 실제 데이터를 처리하는 방식으로 사용하는 경우가 많습니다.

학습된 모델 내보내기 및 추론 실행#

Colab에서 학습된 모델 가중치를 다운로드하면 이를 Python 환경으로 원활하게 가져와 맞춤 모델의 잠재력을 최대한 활용할 수 있습니다.

몇 줄의 코드만으로 웹캠에서 실시간 추론을 실행하는 Python 스크립트를 설정하고, 실시간 영상을 캡처하면서 다양한 컵을 높은 정확도로 탐지할 수 있습니다. Ultralytics YOLOv8의 강력한 성능을 통해 모델이 다양한 모양, 크기, 색상의 컵을 손쉽게 식별하며 실제 환경에서의 유연성과 신뢰성을 보여줍니다.

Fine-tuning된 모델은 여러 가지 이점을 제공합니다. 사전 학습된 모델이 지원하지 않을 수 있는 객체를 탐지하거나, 세그멘테이션하거나, 분류할 수 있습니다. 또한 연구자나 데이터 과학자가 실제 데이터셋에서 모델 아키텍처가 어떻게 작동하는지 이해하는 데 도움을 줄 수 있습니다.

그림 1. 맞춤 모델을 학습하고, 학습된 가중치를 내보내며, 웹캠에서 실시간 추론을 실행하는 방법을 설명하는 Nicolai Nielsen.

마무리#

맞춤 모델 학습부터 학습된 가중치 내보내기와 웹캠에서의 실시간 추론 실행까지, Ultralytics YOLOv8의 강력한 성능과 유연성을 직접 확인했습니다.

Ultralytics YOLOv8을 활용한 맞춤 객체 탐지의 잠재력을 최대한 발휘하기 위한 여정에 함께해 주세요. 탐지 하나하나를 통해 AI의 미래를 함께 만들어 갑시다. Ultralytics Platform과 문서에서 Ultralytics에 관한 모든 정보를 확인하고, 최신 개발 소식을 계속 받아보려면 커뮤니티에 참여해 주세요!

맞춤 학습된 Ultralytics YOLOv8 모델을 내보내고 웹캠에서 추론을 실행하는 방법이 궁금하다면 전체 영상을 시청해 보세요. 전체 영상 시청!