사용자 지정 데이터로 학습한 Ultralytics YOLOv8 모델 내보내기

Ultralytics YOLOv8을 사용한 커스텀 객체 탐지를 자세히 살펴보겠습니다. 이 블로그 게시물에서는 커스텀 모델을 학습하고, 학습된 가중치를 내보낸 다음, 웹캠에서 실시간 추론을 실행하는 과정을 알아봅니다.

사용자 지정 객체 탐지 모델 학습#

이전 동영상에서는 컵 데이터셋을 사용해 Google Colab에서 커스텀 데이터셋으로 Ultralytics YOLOv8 모델을 학습하는 방법을 다뤘습니다. 손실은 감소하고 평균 정밀도(mAP)는 증가하면서 학습 그래프가 꾸준히 개선되는 것을 확인했습니다. 이를 바탕으로 이제 커스텀 모델은 다섯 가지 컵 종류를 매우 정확하게 식별할 수 있습니다.

커스텀 모델의 학습을 마치고 사용할 준비가 되었으니, 이제 다음 단계인 학습된 가중치 내보내기와 웹캠에서 실시간 추론 실행을 살펴보겠습니다.

모델 추론은 학습된 컴퓨터 비전 모델을 사용해 새롭고 학습되지 않은 데이터에 기반한 예측이나 결정을 내리는 과정입니다. 모델이 이미지와 같은 입력 데이터를 학습된 파라미터와 구조에 따라 처리하는 단계입니다. 그런 다음 모델은 학습 작업에 따라 분류, 탐지, 세그멘테이션과 같은 출력을 생성합니다.

실제로 추론은 학습된 모델을 프로덕션 환경에 배포하여 실제 데이터를 실시간 또는 배치 처리 방식으로 처리하는 데 사용하는 경우가 많습니다.

학습된 모델 내보내기 및 추론 실행#

Colab에서 학습된 모델 가중치를 다운로드했으므로, 이를 Python 환경에 불러와 커스텀 모델을 활용할 수 있습니다.

몇 줄의 코드만으로 웹캠에서 실시간 추론을 실행하는 Python 스크립트를 설정하고, 실시간 영상을 캡처해 여러 종류의 컵을 탐지할 수 있습니다. 모델은 다양한 모양, 크기, 색상의 컵을 식별하여 실제 환경에서 얼마나 잘 작동하는지 보여줍니다.

미세 조정된 모델은 여러 가지 이점을 제공합니다. 사전 학습 모델이 지원하지 않을 수 있는 객체를 탐지, 세그먼트화 또는 분류할 수 있습니다. 또한 연구자나 데이터 과학자가 실제 데이터셋에서 모델 아키텍처가 어떤 성능을 보이는지 이해하는 데 도움을 줄 수 있습니다.

그림 1. 커스텀 모델 학습, 학습된 가중치 내보내기, 웹캠에서 실시간 추론 실행 방법을 설명하는 Nicolai Nielsen.

마무리#

커스텀 모델 학습부터 학습된 가중치 내보내기, 웹캠에서 실시간 추론 실행까지 Ultralytics YOLOv8이 전체 워크플로를 처리하는 방식을 살펴보았습니다.

직접 커스텀 객체 탐지를 시도해 보고 싶으신가요? Ultralytics의 모든 기능에 대한 자세한 내용은 Ultralytics Platform과 문서를 확인하고, 최신 개발 소식을 계속 받아보려면 커뮤니티에 참여해 주세요!

커스텀 학습한 Ultralytics YOLOv8 모델을 내보내고 웹캠에서 추론을 실행하는 방법이 궁금하시다면 전체 동영상 시청!