Ultralytics YOLO 모델을 사용하여 훈련, 검증, 예측, 내보내기 및 벤치마킹하는 방법을 알아보세요!
Ultralytics YOLO 모델을 사용하여 훈련, 검증, 예측, 내보내기 및 벤치마킹하는 방법을 알아보세요!
Ultralytics 세계로 들어가 다양한 YOLO 모델에 사용할 수 있는 다양한 모드를 살펴보세요. 사용자 지정 개체 감지 모델을 훈련하든 세분화 작업을 하든, 이러한 모드를 이해하는 것은 매우 중요한 단계입니다. 바로 시작하겠습니다!
Ultralytics 설명서를 통해 훈련, 검증, 예측, 내보내기, 벤치마크, 추적 등 모델에 활용할 수 있는 여러 가지 모드를 확인할 수 있습니다. track. 이러한 각 모드는 고유한 용도로 사용되며 모델의 성능과 배포를 최적화하는 데 도움이 됩니다.
먼저 훈련 모드를 살펴보겠습니다. 여기에서 모델을 구축하고 개선합니다. 문서에서 자세한 지침과 비디오 가이드를 찾을 수 있으므로 사용자 정의 모델 훈련을 쉽게 시작할 수 있습니다.
모델 훈련에는 모델에 새로운 데이터 세트를 제공하여 다양한 패턴을 학습할 수 있도록 하는 것이 포함됩니다. 학습이 완료된 모델은 실시간으로 학습된 새로운 객체를 detect 데 사용할 수 있습니다. 학습 프로세스를 시작하기 전에 데이터 세트에 YOLO 형식으로 주석을 달아야 합니다.
다음으로 유효성 검사 모드에 대해 알아보겠습니다. 유효성 검사는 하이퍼파라미터를 조정하고 모델의 성능을 보장하는 데 필수적입니다. Ultralytics 자동화된 설정, 다중 메트릭 지원, Python API와의 호환성 등 다양한 유효성 검사 옵션을 제공합니다. 아래 명령어를 사용하여 명령줄 인터페이스CLI 통해 직접 유효성 검사를 실행할 수도 있습니다.
검증은 다음에 중요합니다:
또한 Ultralytics Python 스크립트에 복사하여 붙여넣을 수 있는 사용자 예제도 제공합니다. 이러한 예제에는 이미지 크기, 배치 크기, 디바이스CPU 또는 GPU),IoU교차점 오버 유니온IoU 등의 매개변수가 포함되어 있습니다.
모델이 학습되고 검증되면 이제 예측을 할 차례입니다. 예측 모드를 사용하면 새로운 데이터에 대해 추론을 실행하고 모델이 실제로 작동하는지 확인할 수 있습니다. 이 모드는 실제 데이터에서 모델의 성능을 테스트하는 데 적합합니다.
아래 python 코드 스니펫을 사용하면 이미지에 대해 예측을 실행할 수 있습니다!
검증과 예측을 마친 후에는 모델을 배포할 수 있습니다. 내보내기 모드를 사용하면 모델을 ONNX 또는 TensorRT 같은 다양한 형식으로 변환할 수 있으므로 여러 플랫폼에 쉽게 배포할 수 있습니다.
마지막으로 벤치마크 모드가 있습니다. 벤치마킹은 다양한 시나리오에서 모델의 성능을 평가하는 데 필수적입니다. 이 모드는 리소스 할당, 최적화 및 비용 효율성에 대한 정보에 입각한 결정을 내리는 데 도움이 됩니다.
벤치마크를 실행하려면 문서에 제공된 사용자 예제를 사용할 수 있습니다. 이러한 예제에서는 ONNX 및 TensorRT 비롯한 주요 메트릭과 내보내기 형식을 다룹니다. 또한 정수 양자화(INT8) 또는 부동 소수점 양자화(FP16)와 같은 매개변수를 지정하여 다양한 설정이 성능에 미치는 영향을 확인할 수 있습니다.
실제 벤치마킹의 예를 살펴보겠습니다. PyTorch 모델을 벤치마킹했을 때 RTX 3070 GPU 68밀리초의 추론 속도를 확인할 수 있습니다. TorchScript 익스포트한 후에는 추론 속도가 4밀리초로 떨어져 상당한 개선을 보여줍니다.
ONNX 모델의 경우, 21밀리초의 추론 속도를 달성했습니다. CPU ( Intel i9 13세대)에서 이 모델들을 테스트한 결과, 다양한 결과가 나타났습니다. TorchScript 115밀리초로 실행되는 반면, ONNX 84밀리초로 더 나은 성능을 보였습니다. 마지막으로 Intel 하드웨어에 최적화된 OpenVINO 23밀리초라는 놀라운 결과를 얻었습니다.
벤치마킹은 서로 다른 하드웨어 및 내보내기 형식이 모델 성능에 미치는 영향을 보여줍니다. 특히 사용자 지정 하드웨어나 엣지 장치에 모델을 배포할 계획이라면 모델을 벤치마킹하는 것이 중요합니다. 이 프로세스를 통해 모델이 대상 환경에 최적화되어 가능한 최고의 성능을 제공할 수 있습니다.
요약하면, Ultralytics 설명서의 모드는 YOLO 모델을 훈련, 검증, 예측, 내보내기 및 벤치마킹할 수 있는 강력한 도구입니다. 각 모드는 모델을 최적화하고 배포를 준비하는 데 중요한 역할을 합니다.
저희 커뮤니티를 탐색하고 참여하여 프로젝트에서 제공된 코드 스니펫을 사용해 보는 것을 잊지 마세요. 이러한 도구를 통해 고성능 모델을 만들고 모든 환경에서 효율적으로 실행되도록 할 수 있습니다.
