Ultralytics YOLO Docs의 Reference 섹션을 사용하는 방법

오늘날 인공지능 (AI)은 그 어느 때보다 쉽게 이용할 수 있으므로, 누구나 다양한 최첨단 작업에 여러 AI 모델을 활용하기 시작할 수 있습니다.

예를 들어, 컴퓨터 비전은 컴퓨터가 이미지와 동영상의 시각 정보를 해석하고 이해할 수 있도록 하는 AI의 한 분야이며, Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 쉽게 시작할 수 있습니다.

Ultralytics YOLO11은 객체 감지, 인스턴스 세그멘테이션, 이미지 분류와 같은 작업을 지원하며 자율주행, 보안 모니터링, 리테일 분석과 같은 애플리케이션에 사용할 수 있습니다.

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

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

하지만 모든 작동 원리를 더 깊이 이해하거나 직접 사용자 지정 기능을 만들고 싶다면 Ultralytics 문서의 Reference 섹션이 훌륭한 리소스가 됩니다. 이 섹션에서는 데이터 처리 방식, 모델 학습 프로세스, 예측 시각화 방법을 비롯해 Ultralytics Python 패키지의 내부 작동 방식을 다룹니다.

이 글에서는 Ultralytics 문서의 Reference 섹션을 자세히 살펴보고 컴퓨터 비전 프로젝트에서 이를 사용하는 방법을 알아봅니다. 시작해 보겠습니다!

Ultralytics YOLO 모델 사용 방법 자세히 알아보기#

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

하지만 컴퓨터 비전 모델 사용에 익숙해지면 Ultralytics 문서의 Reference 섹션을 통해 코드 작동 방식과 패키지가 지원하는 함수를 더 자세히 살펴볼 수 있습니다. 또한 이해하기 쉬운 설명, 구성 가능한 옵션, Ultralytics GitHub 리포지토리에서 제공되는 관련 코드 링크도 포함되어 있습니다.

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

모든 내용이 명확한 카테고리로 구성되어 있어 원하는 항목을 쉽게 찾을 수 있습니다. 예를 들어 자체 데이터셋으로 모델을 학습하는 경우 Reference 섹션에서 데이터에 중점을 둔 부분으로 이동하면, 모델 학습에 데이터가 어떻게 사용되는지 더 잘 이해할 수 있습니다.

Reference 섹션 시작하기#

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

카테고리를 클릭하면 자세한 정보를 제공하는 페이지로 이동합니다.

그림 2. 왼쪽에서 다양한 Reference 카테고리 메뉴를 확인할 수 있습니다.

마찬가지로 페이지 오른쪽에는 각 Reference 페이지를 함수(재사용 가능한 코드 블록), 클래스(객체 생성을 위한 청사진), 메서드(클래스 내부에 정의된 함수)와 같은 주요 구성 요소로 나눈 목차가 표시됩니다. 따라서 원하는 항목으로 바로 이동하기 쉽습니다.

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

Ultralytics GitHub 리포지토리의 구조#

Ultralytics GitHub 리포지토리는 모델, 학습, 데이터 등 Ultralytics 패키지의 다양한 부분을 기준으로 하위 디렉터리 또는 하위 패키지로 구성되어 있습니다. 문서의 Reference 섹션도 동일한 구조를 따르므로 전체 구성과 각 요소의 연결 방식을 더 쉽게 이해할 수 있습니다.

Ultralytics GitHub 리포지토리와 Ultralytics 문서의 Reference 섹션에서 모두 확인할 수 있는 주요 하위 디렉터리 또는 카테고리는 다음과 같습니다.

• Models: 이 섹션에서는 예측 수행, 성능 검증, 학습된 모델 내보내기와 같은 다양한 모델 및 해당 모드를 다룹니다.
• Engine: 모델의 학습, 검증, 예측, 내보내기, 평가를 위한 핵심 로직이 포함되어 있습니다.
• Data: 데이터셋의 로딩, 처리, 증강 방식을 관리합니다. 여기에는 데이터로더(데이터를 배치 단위로 모델에 공급하는 도구) 생성, 변환 적용(모델의 학습을 돕기 위해 이미지 크기 조정이나 뒤집기 등을 수행하는 변경), 학습을 위한 데이터 준비(이미지와 라벨의 구성 및 형식 지정) 함수가 포함됩니다.
• Utils: 이 섹션에서는 시각화 도구, 파일 처리, 메트릭 계산 등 코드베이스 전반에서 사용되는 다양한 헬퍼 함수를 제공합니다.
• HUB: Ultralytics HUB에 연결되는 부분으로, API를 통해 로그인, 모델 업로드, 데이터셋 관리와 같은 클라우드 기능을 사용할 수 있는 노코드 컴퓨터 비전 플랫폼입니다.
• Trackers: 동영상 또는 프레임 단위 이미지 시퀀스를 사용하는 애플리케이션을 위한 객체 추적 로직을 구현합니다.

GitHub 리포지토리의 이러한 각 하위 디렉터리에는 문서의 해당 섹션이 있습니다. 이 구조는 의도적으로 동일하게 구성되어 있어 문서를 읽다가 소스 코드를 살펴보거나 그 반대로 전환하기 쉽습니다.

실제로 많은 Reference 페이지에는 실제 소스 코드도 표시되므로 문서를 벗어나지 않고 함수와 클래스가 정확히 어떻게 구현되었는지 확인할 수 있습니다.

그림 4. Reference 페이지에는 소스 코드도 포함되어 있습니다.

모델, 엔진, 데이터 구성 요소 이해하기#

Reference 섹션의 구성 방식을 살펴보았으므로 이제 Ultralytics 패키지의 세 가지 주요 부분인 모델, 엔진, 데이터에 대해 자세히 알아보겠습니다.

models 하위 디렉터리에는 각 모델 유형의 작동 방식을 정의하는 코드가 포함되어 있습니다. 이 디렉터리는 YOLO, FastSAM, RT-DETR과 같은 모델 유형뿐 아니라 감지, 세그멘테이션, 분류와 같은 작업을 기준으로 구성되어 있습니다. 각 항목 안에는 특정 작업을 처리하는 파일 또는 모듈이 있으며, 예를 들어 모델이 예측을 수행하는 방식, 학습되는 방식, 성능이 평가되는 방식을 다룹니다.

반면 engine 하위 디렉터리는 전체 프로세스를 관리하는 백그라운드 역할을 합니다. models 하위 디렉터리가 각 모델이 수행해야 하는 작업에 중점을 둔다면, engine 하위 디렉터리는 이러한 작업을 일관되고 효율적으로 실제 실행하는 방법에 중점을 둡니다.

또한 data 하위 디렉터리는 데이터셋의 로딩과 준비를 담당합니다. 코드베이스의 이 부분은 학습 데이터가 정제되고 구조화되며 다양하게 구성되도록 하여 모델의 학습 성능과 일반화 능력을 향상합니다.

이처럼 명확하게 분리되어 있어 코드를 더 쉽게 유지 관리할 수 있으며, 사용자가 유연하게 사용자 지정할 수도 있습니다.

Reference 섹션 사용 예시#

Ultralytics 코드베이스의 여러 부분을 이해하는 것이 왜 중요한지 궁금할 수 있습니다. 코드의 어느 부분이 어떤 작업을 처리하는지 알고 있으면 필요한 정보를 찾고, 변경 사항을 적용하고, 문제를 해결하기가 훨씬 쉬워집니다.

다음은 문서의 Reference 섹션을 활용하는 몇 가지 예시입니다.

• “모델은 어떻게 예측을 수행하나요?”라는 질문이 있다면 Reference 섹션의 Models 카테고리로 이동하여 모델 유형(예: YOLO)을 선택하고 작업(예: detect)을 고른 다음 Predict 페이지를 열어 자세한 내용을 확인할 수 있습니다.
• 데이터 증강이 적용되는 방식을 알고 싶다면 Data 카테고리 아래의 Augment 페이지를 살펴볼 수 있습니다. 이 페이지에는 모델 성능과 학습 데이터의 다양성을 향상하는 데 사용되는 기본 제공 증강 기법이 나열되어 있습니다.

Reference 섹션을 통한 결과 탐색#

Reference 섹션은 모델이 반환하는 출력을 이해하려는 경우에도 유용합니다. Ultralytics YOLO11과 같은 모델을 사용해 이미지에 대한 추론을 실행하면 감지된 항목을 설명하는 일련의 결과가 반환됩니다.

예를 들어 카메라 피드에서 사람을 감지하면 바운딩 박스를 사용해 해당 위치를 강조하고, 감지에 대한 모델의 확신 정도를 나타내는 0과 1 사이의 값인 신뢰도 점수를 함께 표시할 수 있습니다.

프로젝트에서 해당 출력을 사용하는 방법을 이해하려는 경우 Reference 섹션의 안내를 받을 수 있습니다. 여기에는 Results 모듈 페이지가 포함되어 있으며, 이 페이지에서는 어떤 내용이 포함되는지와 코드에서 액세스하는 방법을 자세히 설명합니다. 감지 박스를 확인하고, 신뢰도 점수를 검토하고, 결과를 표시하거나 저장하는 방법도 확인할 수 있습니다.

그림 5. YOLO11이 반환한 결과를 시각화하는 예시입니다.

핵심 요점#

Ultralytics 문서는 YOLO 모델을 효과적으로 사용하는 방법을 이해하는 데 도움을 줍니다. 모델 학습, 데이터 준비, 결과 활용과 같은 주요 프로세스를 설명합니다. 각 페이지에는 빠르게 시작할 수 있도록 명확한 설명과 예제 코드 스니펫이 제공됩니다.

내부에서 어떤 일이 일어나는지 궁금하다면 문서의 Reference 섹션에서 그 과정을 단계별로 확인할 수도 있습니다. 코드 구조, 각 부분의 역할, 모든 요소가 함께 작동하는 방식을 보여줍니다. 따라서 컴퓨터 비전 프로젝트를 더 쉽게 학습하고 사용자 지정하며 자신 있게 구축할 수 있습니다.

활발한 커뮤니티에 참여하고 GitHub 리포지토리를 살펴보며 AI 구축 방법을 더 알아보세요. 직접 컴퓨터 비전 아이디어를 출시할 준비가 되셨나요? 시작하려면 라이선싱 옵션을 확인하세요. 솔루션 페이지를 방문하여 자동차 분야의 비전 AI와 헬스케어 분야의 AI가 어떤 영향을 미치고 있는지 알아보세요.