Ultralytics YOLO 문서의 Reference 섹션 사용 방법

오늘날 인공지능(AI)은 그 어느 때보다 접근하기 쉬워졌으며, 누구나 쉽게 다양한 AI 모델을 사용하여 여러 최첨단 작업을 시작할 수 있게 되었습니다.

예를 들어, computer vision은 컴퓨터가 이미지와 영상에서 시각적 정보를 해석하고 이해할 수 있게 해주는 AI 분야이며, Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 시작하기가 매우 쉽습니다.

YOLO11은 객체 감지, 인스턴스 세그멘테이션, 이미지 분류와 같은 작업을 지원하며 자율 주행, 보안 모니터링, 소매 분석과 같은 애플리케이션에 사용될 수 있습니다.

그림 1. YOLO11을 사용하여 다양한 객체를 감지할 수 있습니다.

구체적으로, Ultralytics Python package는 이러한 AI 모델을 신속하게 학습, 사용자 정의 및 배포할 수 있는 사용자 친화적인 도구를 제공하여, 모든 수준의 사용자가 쉽게 고급 컴퓨터 비전 애플리케이션을 구축할 수 있도록 합니다.

그러나 모든 것이 어떻게 작동하는지 더 깊이 파고들거나 직접 사용자 정의를 만들고 싶다면, Ultralytics 문서의 Reference 섹션이 훌륭한 리소스가 될 것입니다. 이 섹션은 데이터 처리 방식, 모델 학습 프로세스, 예측 시각화 방법을 포함하여 Ultralytics Python 패키지의 내부 작동 방식을 다룹니다.

이 글에서는 Ultralytics 문서의 Reference 섹션을 더 자세히 살펴보고, 컴퓨터 비전 프로젝트를 수행할 때 이를 활용하는 방법을 알아보겠습니다. 시작해 봅시다!

Link to this sectionUltralytics YOLO 모델 작업에 대한 심층 분석#

Ultralytics Python 패키지를 사용하는 것은 간단하고 직관적입니다. 단 몇 줄의 코드만으로 YOLO 모델을 학습시키거나 이미지에서 detect objects를 수행할 수 있습니다.

하지만 컴퓨터 비전 모델 작업에 익숙해지면, Ultralytics 문서의 Reference 섹션을 통해 how the code works와 패키지가 지원하는 기능에 대해 더 깊이 이해할 수 있습니다. 또한 이해하기 쉬운 설명, 구성 가능한 옵션, Ultralytics GitHub 저장소에서 제공되는 관련 코드 링크도 포함되어 있습니다.

이 섹션은 Ultralytics Python 패키지가 어떻게 구성되어 있는지 설명하고, 모델 설정, 데이터 로딩, 학습 프로세스, 예측 생성 및 반환 방식과 같은 핵심 요소를 다룹니다.

모든 내용은 명확한 범주로 정리되어 있어 필요한 정보를 찾기 쉽습니다. 예를 들어 자신의 데이터셋으로 모델을 학습시키는 경우, Reference 섹션의 데이터 관련 부분을 참조하면 데이터가 모델 학습에 어떻게 사용되는지 더 잘 이해할 수 있습니다.

Link to this sectionReference 섹션 시작하기#

Ultralytics YOLO 문서의 Reference 섹션으로 이동하면, 페이지 왼쪽에 다양한 참조 범주가 있는 메뉴를 확인할 수 있습니다. 각 범주는 models, 데이터 처리 또는 학습 기능과 같이 Ultralytics 코드베이스의 특정 부분을 나타냅니다.

범주를 클릭하면 더 자세한 내용을 담은 페이지로 이동합니다.

그림 2. 왼쪽에서 다양한 Reference 범주 메뉴를 찾을 수 있습니다.

마찬가지로 페이지 오른쪽에는 각 참조 페이지를 기능(재사용 가능한 코드 블록), 클래스(객체 생성을 위한 설계도), 메서드(클래스 내부에 정의된 함수)와 같은 핵심 구성 요소로 분류하는 목차가 있습니다. 이를 통해 찾고자 하는 정보로 바로 이동하기가 쉽습니다.

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

Link to this sectionUltralytics GitHub 저장소의 구조#

Ultralytics GitHub 저장소는 모델, 학습, data와 같은 Ultralytics 패키지의 다양한 부분에 따라 하위 디렉토리 또는 하위 패키지로 구성되어 있습니다. 문서의 Reference 섹션도 동일한 구조를 따르므로 모든 요소가 어떻게 연결되는지 쉽게 파악할 수 있습니다.

Ultralytics GitHub 저장소와 Ultralytics 문서의 Reference 섹션에서 공통으로 볼 수 있는 주요 하위 디렉토리 또는 범주는 다음과 같습니다:

• Models: 이 섹션은 다양한 모델과 해당 모델의 예측 수행, 성능 검증, 학습된 모델 내보내기와 같은 modes에 중점을 둡니다.
• Engine: 모델 학습, 검증, 예측, 내보내기 및 평가를 위한 핵심 로직을 포함합니다.
• Data: 데이터셋을 로드, 처리 및 증강하는 방식을 관리합니다. 여기에는 데이터로더(데이터를 배치 단위로 모델에 전달하는 도구) 생성, 변환(모델 학습을 돕기 위해 이미지 크기 조정이나 뒤집기 등의 변경 수행) 적용, 학습을 위한 데이터 준비(이미지 및 라벨 정리 및 형식 지정) 기능이 포함됩니다.
• Utils: 시각화 도구, 파일 처리 및 메트릭 계산과 같이 코드베이스 전반에서 사용되는 광범위한 도우미 기능을 제공합니다.
• HUB: 노코드 컴퓨터 비전 플랫폼인 Ultralytics HUB에 연결하여 로그인, 모델 업로드, API를 통한 데이터셋 관리와 같은 클라우드 기능을 활성화합니다.
• Trackers: 영상이나 프레임별 이미지 시퀀스가 포함된 애플리케이션을 위한 객체 추적 로직을 구현합니다.

GitHub 저장소의 각 하위 디렉토리는 문서에 해당하는 섹션을 가지고 있습니다. 이러한 구조는 의도적으로 동일하게 미러링되어 있어, 문서를 읽는 것과 소스 코드를 탐색하는 것 사이를 전환하기가 더욱 쉽습니다.

실제로 많은 Reference 페이지에서 실제 소스 코드가 표시되므로, 문서를 벗어나지 않고도 함수와 클래스가 어떻게 구현되었는지 정확하게 확인할 수 있습니다.

그림 4. Reference 페이지에는 소스 코드도 포함되어 있습니다.

Link to this section모델, 엔진, 데이터 구성 요소 이해하기#

이제 Reference 섹션이 어떻게 구성되어 있는지 확인했으니, Ultralytics 패키지의 세 가지 핵심 부분인 모델, 엔진, 데이터에 대해 자세히 알아보겠습니다.

models 하위 디렉토리에는 각 모델 유형이 작동하는 방식을 정의하는 코드가 포함되어 있습니다. 이 디렉토리는 모델 유형(YOLO, FastSAM, RT-DETR 등)과 작업(감지, 세그멘테이션, 분류 등)별로 정리되어 있습니다. 각 범주 내부에서는 모델이 어떻게 예측을 수행하는지, 학습이 어떻게 이루어지는지, 또는 performance가 어떻게 평가되는지 등 특정 작업을 처리하는 파일이나 모듈을 찾을 수 있습니다.

한편, engine 하위 디렉토리는 백그라운드에서 전체 프로세스를 관리하는 역할을 합니다. models 하위 디렉토리가 각 모델의 기능을 다룬다면, engine 하위 디렉토리는 이러한 작업을 일관되고 효율적으로 실행하는 방법에 중점을 둡니다.

또한 data 하위 디렉토리는 데이터셋을 로드하고 준비하는 역할을 합니다. 이 코드베이스 부분은 학습 데이터가 깨끗하고 구조화되어 있으며 다양성을 갖추도록 보장하여 모델이 더 잘 학습하고 효과적으로 일반화되도록 돕습니다.

이러한 명확한 구분은 코드를 유지 관리하기 쉽게 만들며, 사용자에게 사용자 정의의 유연성을 제공합니다.

Link to this sectionReference 섹션 사용 예시#

Ultralytics 코드베이스의 각 부분을 이해하는 것이 왜 중요한지 궁금할 수 있습니다. 어떤 코드가 무엇을 처리하는지 알면 필요한 정보를 찾거나, 변경 사항을 적용하거나, 문제를 해결하기가 훨씬 쉬워집니다.

다음은 문서의 Reference 섹션을 활용할 수 있는 몇 가지 예시입니다:

• “모델은 어떻게 예측을 수행하는가?”라는 질문이 있다면, Reference 섹션의 Models 범주로 이동하여 모델 유형(예: YOLO)을 선택하고 작업(예: detect)을 고른 다음 Predict 페이지를 열어 세부 정보를 확인할 수 있습니다.
• data augmentations가 어떻게 적용되는지 알고 싶다면, Data 범주 아래의 Augment 페이지를 살펴볼 수 있습니다. 이 페이지에는 모델 성능을 향상하고 학습 데이터의 다양성을 확보하기 위해 사용되는 내장 증강 기술이 나열되어 있습니다.

Link to this sectionReference 섹션을 통한 결과 탐색#

Reference 섹션은 모델에서 반환된 결과를 이해하려고 할 때도 유용합니다. YOLO11과 같은 모델을 사용하여 이미지에 대한 추론을 실행하면, 무엇이 감지되었는지 설명하는 결과 세트가 반환됩니다.

예를 들어 카메라 피드에서 사람을 감지하면 bounding box를 사용하여 위치를 강조 표시하고, 감지에 대한 모델의 확신도를 나타내는 0에서 1 사이의 값인 신뢰도 점수를 함께 제공합니다.

프로젝트에서 이 출력을 사용하는 방법을 이해하려고 한다면 Reference 섹션이 도움이 될 수 있습니다. Results module 페이지에는 포함된 내용과 코드에서 이를 액세스하는 방법이 자세히 설명되어 있습니다. 감지 상자를 보는 방법, 신뢰도 점수를 확인하는 방법, 결과를 표시하거나 저장하는 방법에 대한 세부 정보가 있습니다.

그림 5. YOLO11이 반환한 결과가 시각화된 예시입니다.

Link to this section핵심 요약#

Ultralytics 문서는 YOLO 모델을 효과적으로 사용하는 방법을 이해하도록 도와줍니다. 모델 학습, 데이터 준비, 결과 작업과 같은 핵심 프로세스를 설명합니다. 각 페이지에는 빠르게 시작할 수 있도록 명확한 설명과 예제 코드 스니펫이 포함되어 있습니다.

내부에서 어떤 일이 일어나는지 궁금하다면, 문서의 Reference 섹션에서 단계별로 자세히 설명합니다. 코드가 어떻게 구성되어 있고 각 부분이 어떤 역할을 하며 모든 것이 어떻게 함께 작동하는지 보여줍니다. 이를 통해 더 쉽게 학습하고 사용자 정의하며 자신 있게 자신만의 컴퓨터 비전 프로젝트를 구축할 수 있습니다.

our active community에 참여하고 GitHub repository를 탐색하여 AI 구축에 대해 자세히 알아보십시오. 나만의 컴퓨터 비전 아이디어를 실행할 준비가 되셨나요? our licensing options을 방문하여 시작해 보세요. 또한 솔루션 페이지를 방문하여 vision AI in automotive와 AI in healthcare가 어떻게 영향을 미치고 있는지 확인해 보십시오.