Ultralytics YOLO Docs의 Reference 섹션 사용 방법

오늘날 인공지능(AI)은 그 어느 때보다 쉽게 이용할 수 있어, 누구나 다양한 최첨단 작업에 여러 AI 모델을 빠르게 적용해 볼 수 있습니다.

예를 들어, 컴퓨터 비전은 컴퓨터가 이미지와 동영상의 시각 정보를 해석하고 이해하도록 하는 AI 분야이며, Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 쉽게 시작할 수 있습니다.

Ultralytics YOLO11은 객체 탐지, 인스턴스 분할, 이미지 분류와 같은 작업을 지원하며 자율주행, 보안 모니터링, 리테일 분석 등의 애플리케이션에 사용할 수 있습니다.

그림 1. Ultralytics YOLO11은 다양한 객체를 탐지하는 데 사용할 수 있습니다.

Ultralytics Python 패키지는 이러한 AI 모델을 빠르게 학습하고, 커스터마이즈하고, 배포할 수 있는 사용자 친화적인 도구를 제공하므로 모든 숙련도의 사용자가 고급 컴퓨터 비전 애플리케이션을 쉽게 구축할 수 있습니다.

작동 방식을 더 자세히 알아보거나 직접 커스터마이즈하고 싶다면 Ultralytics 문서의 레퍼런스 섹션이 유용한 자료가 됩니다. 이 섹션에서는 데이터 처리 방식, 모델 학습 과정, 예측 시각화 방법을 비롯해 Ultralytics Python 패키지의 내부 동작을 다룹니다.

이 글에서는 Ultralytics 문서의 레퍼런스 섹션을 자세히 살펴보고 컴퓨터 비전 프로젝트에서 이를 활용하는 방법을 알아보겠습니다. 시작해 보겠습니다!

Ultralytics YOLO 모델 활용 자세히 살펴보기#

Ultralytics Python 패키지는 간단하고 직관적으로 사용할 수 있습니다. 몇 줄의 코드만으로 YOLO 모델을 학습하거나 이미지에서 객체를 탐지할 수 있습니다.

컴퓨터 비전 모델 사용에 익숙해지면 Ultralytics 문서의 레퍼런스 섹션을 통해 코드가 작동하는 방식과 패키지가 지원하는 함수들을 더 자세히 살펴볼 수 있습니다. 또한 이해하기 쉬운 설명, 구성 가능한 옵션, Ultralytics GitHub 저장소에 있는 관련 코드 링크도 제공합니다.

이 섹션에서는 Ultralytics Python 패키지의 구조를 설명하고 모델 설정, 데이터 로딩, 학습 과정, 예측 생성 및 반환 방식과 같은 주요 구성 요소를 다룹니다.

모든 항목이 명확한 범주로 정리되어 있어 원하는 내용을 쉽게 찾을 수 있습니다. 예를 들어 자체 데이터셋으로 모델을 학습하는 경우, 레퍼런스 섹션에서 데이터 관련 부분을 살펴보면 모델 학습에 데이터가 어떻게 사용되는지 더 잘 이해할 수 있습니다.

레퍼런스 섹션 시작하기#

Ultralytics YOLO 문서의 레퍼런스 섹션으로 이동하면 페이지 왼쪽에 다양한 레퍼런스 범주가 있는 메뉴가 표시됩니다. 각 범주는 모델, 데이터 처리, 학습 함수 등 Ultralytics 코드베이스의 특정 부분을 나타냅니다.

범주를 클릭하면 자세한 내용을 확인할 수 있는 페이지로 이동합니다.

그림 2. 왼쪽에서 여러 레퍼런스 범주가 있는 메뉴를 확인할 수 있습니다.

마찬가지로 페이지 오른쪽에는 각 레퍼런스 페이지의 주요 구성 요소인 함수(재사용 가능한 코드 블록), 클래스(객체 생성을 위한 설계도), 메서드(클래스 내부에 정의된 함수)를 정리한 목차가 표시됩니다. 따라서 원하는 항목으로 바로 이동할 수 있습니다.

그림 3. 오른쪽에서 현재 보고 있는 레퍼런스 페이지의 목차를 확인할 수 있습니다.

Ultralytics GitHub 저장소의 구조#

Ultralytics GitHub 저장소는 모델, 학습, 데이터 등 Ultralytics 패키지의 여러 부분에 따라 하위 디렉터리 또는 하위 패키지로 구성됩니다. 문서의 레퍼런스 섹션도 같은 구조를 따르므로 각 요소가 어떻게 연결되는지 더 쉽게 이해할 수 있습니다.

Ultralytics GitHub 저장소와 Ultralytics 문서의 레퍼런스 섹션에서 볼 수 있는 주요 하위 디렉터리 또는 범주는 다음과 같습니다.

• 모델: 이 섹션에서는 예측 수행, 성능 검증, 학습된 모델 내보내기 등의 모드와 다양한 모델을 다룹니다.
• 엔진: 모델 학습, 검증, 예측, 내보내기, 평가를 위한 핵심 로직을 포함합니다.
• 데이터: 데이터셋 로딩, 처리, 증강 방식을 관리합니다. 모델에 데이터를 배치 단위로 공급하는 도구인 데이터로더 생성, 모델이 더 잘 학습하도록 이미지 크기 조정이나 좌우 반전과 같은 변환 적용, 학습을 위한 데이터 준비(이미지와 레이블 구성 및 형식 지정) 함수가 여기에 포함됩니다.
• 유틸리티: 시각화 도구, 파일 처리, 메트릭 계산 등 코드베이스 전반에서 사용되는 다양한 보조 함수를 제공합니다.
• HUB: 노코드 컴퓨터 비전 플랫폼인 Ultralytics HUB에 연결하여 API를 통해 로그인, 모델 업로드, 데이터셋 관리와 같은 클라우드 기능을 사용할 수 있도록 합니다.
• 트래커: 동영상 또는 프레임 단위 이미지 시퀀스를 사용하는 애플리케이션을 위한 객체 추적 로직을 구현합니다.

GitHub 저장소의 각 하위 디렉터리에는 문서 내에 이에 대응하는 섹션이 있습니다. 이러한 구조를 의도적으로 일치시켜 문서를 읽다가 소스 코드를 살펴볼 때 쉽게 오갈 수 있습니다.

실제로 여러 레퍼런스 페이지에는 실제 소스 코드도 표시되어 있어 문서를 벗어나지 않고 함수와 클래스가 구현된 방식을 정확히 확인할 수 있습니다.

그림 4. 소스 코드도 레퍼런스 페이지에 포함되어 있습니다.

모델, 엔진, 데이터 구성 요소 이해하기#

레퍼런스 섹션의 구성을 살펴봤으니, 이제 Ultralytics 패키지의 주요 구성 요소 세 가지인 모델, 엔진, 데이터를 자세히 알아보겠습니다.

모델 하위 디렉터리에는 각 모델 유형의 작동 방식을 정의하는 코드가 포함되어 있습니다. YOLO, FastSAM, RT-DETR과 같은 모델 유형과 탐지, 분할, 분류와 같은 작업별로 구성됩니다. 각 항목에는 모델의 예측 수행 방식, 학습 방식, 성능 평가 방식 등 특정 작업을 처리하는 파일 또는 모듈이 있습니다.

엔진 하위 디렉터리는 백그라운드에서 전체 프로세스를 관리합니다. 모델 하위 디렉터리가 각 모델의 기능에 중점을 두는 반면, 엔진 하위 디렉터리는 해당 작업을 일관되고 효율적으로 실행하는 방법에 중점을 둡니다.

데이터 하위 디렉터리는 데이터셋 로딩과 준비를 담당합니다. 코드베이스의 이 부분은 학습 데이터를 정제되고 체계적이며 다양하게 유지하여 모델이 더 잘 학습하고 효과적으로 일반화하도록 돕습니다.

이처럼 명확하게 분리하면 코드를 더 쉽게 유지 관리할 수 있으며 사용자에게 커스터마이즈할 수 있는 유연성도 제공합니다.

레퍼런스 섹션 활용 예시#

Ultralytics 코드베이스의 각 부분을 이해하는 것이 왜 중요한지 궁금할 수 있습니다. 코드의 어느 부분이 어떤 기능을 처리하는지 알면 필요한 정보를 찾고, 변경을 적용하고, 문제를 해결하기가 훨씬 쉬워집니다.

문서의 레퍼런스 섹션을 활용하는 방법은 다음과 같습니다.

• “모델은 어떻게 예측하나요?”라고 궁금하다면 레퍼런스 섹션의 모델 범주로 이동해 YOLO와 같은 모델 유형을 선택하고, detect와 같은 작업을 고른 다음, 자세한 내용을 보려면 Predict 페이지를 열면 됩니다.
• 데이터 증강이 적용되는 방식을 알고 싶다면 데이터 범주의 Augment 페이지를 살펴보세요. 모델 성능과 학습 데이터의 다양성을 높이는 데 사용되는 내장 증강 기법이 나열되어 있습니다.

레퍼런스 섹션을 통해 결과 살펴보기#

레퍼런스 섹션은 모델이 반환하는 출력을 이해하는 데도 유용합니다. Ultralytics YOLO11과 같은 모델을 사용해 이미지에서 추론을 실행하면, 탐지된 내용을 설명하는 일련의 결과가 반환됩니다.

예를 들어 카메라 피드에서 사람을 탐지하고 바운딩 박스로 위치를 표시할 수 있으며, 탐지에 대한 모델의 확신 정도를 나타내는 0에서 1 사이의 값인 신뢰도 점수도 함께 표시할 수 있습니다.

프로젝트에서 해당 출력을 사용하는 방법을 알아보려면 레퍼런스 섹션을 참고할 수 있습니다. Results 모듈 페이지에서는 출력에 포함된 내용과 코드에서 이에 접근하는 방법을 설명합니다. 탐지 박스 확인, 신뢰도 점수 확인, 결과 표시 또는 저장 방법도 자세히 다룹니다.

그림 5. YOLO11이 반환한 결과를 시각화하는 예시입니다.

핵심 요점#

Ultralytics 문서는 YOLO 모델을 효과적으로 사용하는 방법을 이해하는 데 도움이 됩니다. 모델 학습, 데이터 준비, 결과 활용과 같은 주요 과정을 설명합니다. 각 페이지에는 빠르게 시작할 수 있도록 명확한 설명과 코드 예제가 제공됩니다.

내부에서 어떤 일이 일어나는지 궁금하다면 문서의 레퍼런스 섹션에서 단계별로 확인할 수 있습니다. 코드의 구조와 각 부분의 기능, 구성 요소가 함께 작동하는 방식을 보여줍니다. 이를 통해 컴퓨터 비전 프로젝트를 더 쉽게 학습하고 커스터마이즈하며 자신 있게 구축할 수 있습니다.

활발한 커뮤니티에 참여하고 GitHub 저장소를 살펴보며 AI를 활용한 개발 방법을 알아보세요. 직접 컴퓨터 비전 아이디어를 구현할 준비가 되셨나요? 시작하려면 라이선스 옵션을 확인하세요. 솔루션 페이지에서 자동차 분야의 Vision AI와 헬스케어 분야의 AI가 어떤 영향을 미치는지 알아보세요.