Ultralytics YOLO 문서의 Reference 섹션 사용 방법
Ultralytics YOLO 문서의 Reference 섹션을 사용하여 Ultralytics Python 패키지의 내부 작동 원리를 이해하는 방법을 알아보십시오.
오늘날 인공지능(AI)은 그 어느 때보다 접근하기 쉬워졌으며, 누구나 다양한 AI 모델을 빠르게 활용하여 여러 최첨단 작업을 시작할 수 있게 되었습니다.
예를 들어, 컴퓨터 비전은 컴퓨터가 이미지와 비디오로부터 시각적 정보를 해석하고 이해할 수 있게 하는 AI의 한 분야이며, Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 쉽게 시작할 수 있습니다.
YOLO11은 객체 탐지, 인스턴스 세그멘테이션, 이미지 분류와 같은 작업을 지원하며 자율 주행, 보안 모니터링, 리테일 분석과 같은 애플리케이션에 사용될 수 있습니다.
그림 1. YOLO11을 사용하여 다양한 객체를 탐지할 수 있습니다.
구체적으로 Ultralytics Python 패키지는 이러한 AI 모델을 신속하게 학습, 사용자 정의 및 배포할 수 있는 사용자 친화적인 도구를 제공하여 모든 기술 수준의 사용자가 고급 컴퓨터 비전 애플리케이션을 쉽게 구축할 수 있도록 합니다.
하지만 모든 것이 어떻게 작동하는지 더 깊이 파고들거나 직접 사용자 정의를 만들고 싶다면 Ultralytics 문서의 참조(Reference) 섹션이 훌륭한 자원입니다. 여기에는 데이터 처리 방식, 모델 학습 과정, 예측 시각화 방법을 포함하여 Ultralytics Python 패키지의 내부 작동 방식이 설명되어 있습니다.
이 글에서는 Ultralytics 문서의 참조(Reference) 섹션을 자세히 살펴보고 컴퓨터 비전 프로젝트 작업 시 이를 활용하는 방법을 알아보겠습니다. 시작해 봅시다!
Link to this sectionUltralytics YOLO 모델 작업에 대한 심층적인 이해#
Ultralytics Python 패키지 작업은 간단하고 직관적입니다. 단 몇 줄의 코드로 YOLO 모델을 학습하거나 이미지에서 객체를 탐지할 수 있습니다.
하지만 컴퓨터 비전 모델 작업에 익숙해지면 Ultralytics 문서의 참조(Reference) 섹션을 통해 코드 작동 방식과 패키지가 지원하는 기능을 더 깊이 이해할 수 있습니다. 또한 이해하기 쉬운 설명, 구성 가능한 옵션, 그리고 Ultralytics GitHub 저장소에서 이용 가능한 관련 코드 링크도 포함되어 있습니다.
이 섹션은 Ultralytics Python 패키지의 구조를 설명하고 모델 설정, 데이터 로딩, 학습 과정, 그리고 예측이 생성 및 반환되는 방식과 같은 주요 구성 요소를 다룹니다.
모든 내용은 명확한 카테고리로 정리되어 있어 필요한 정보를 쉽게 찾을 수 있습니다. 예를 들어, 자체 데이터셋으로 모델을 학습하는 경우 참조(Reference) 섹션의 데이터 관련 부분을 방문하면 데이터가 모델 학습에 어떻게 사용되는지 더 잘 이해할 수 있습니다.
Link to this section참조(Reference) 섹션 시작하기#
Ultralytics YOLO 문서의 참조(Reference) 섹션으로 이동하면 페이지 왼쪽에 다양한 참조 카테고리가 있는 메뉴를 찾을 수 있습니다. 각 카테고리는 모델, 데이터 처리 또는 학습 기능과 같은 Ultralytics 코드베이스의 특정 부분을 나타냅니다.
카테고리를 클릭하면 더 자세한 내용을 확인할 수 있는 페이지로 이동합니다.
그림 2. 왼쪽에서 다양한 참조 카테고리 메뉴를 찾을 수 있습니다.
마찬가지로 페이지 오른쪽에는 각 참조 페이지를 함수(재사용 가능한 코드 블록), 클래스(객체 생성을 위한 설계도), 메서드(클래스 내부에서 정의된 함수)와 같은 주요 구성 요소로 세분화한 목차가 있습니다. 이를 통해 찾고자 하는 내용으로 바로 이동할 수 있습니다.
그림 3. 오른쪽에서 현재 보고 있는 특정 참조 페이지의 목차를 찾을 수 있습니다.
Link to this sectionUltralytics GitHub 저장소의 구조#
Ultralytics GitHub 저장소는 모델, 학습, 데이터와 같이 Ultralytics 패키지의 다양한 부분을 기준으로 하위 디렉토리 또는 하위 패키지로 구성되어 있습니다. 문서의 참조(Reference) 섹션도 이와 동일한 구조를 따르므로 모든 요소가 어떻게 결합되어 있는지 이해하기가 더 쉽습니다.
다음은 Ultralytics GitHub 저장소와 Ultralytics 문서의 참조(Reference) 섹션 모두에서 볼 수 있는 주요 하위 디렉토리 또는 카테고리입니다.
- Models: 이 섹션은 다양한 모델과 예측 수행, 성능 검증, 학습된 모델 내보내기와 같은 모드(modes)에 중점을 둡니다.
- Engine: 모델 학습, 검증, 예측, 내보내기 및 평가를 위한 핵심 로직을 포함합니다.
- Data: 데이터셋이 로드, 처리 및 증강되는 방식을 관리합니다. 여기에는 데이터로더(배치 단위로 데이터를 모델에 공급하는 도구) 생성, 변환(이미지 크기 조정이나 뒤집기 등 모델 학습을 돕기 위해 이미지에 가해지는 변경) 적용, 학습을 위한 데이터 준비(이미지 및 라벨 정리 및 형식 지정) 기능이 포함됩니다.
- Utils: 이 섹션은 시각화 도구, 파일 처리, 지표 계산 등 코드베이스 전체에서 사용되는 다양한 헬퍼 함수를 제공합니다.
- HUB: 노코드 컴퓨터 비전 플랫폼인 Ultralytics HUB와 연결하여 로그인, 모델 업로드, API를 통한 데이터셋 관리와 같은 클라우드 기능을 활성화합니다.
- Trackers: 비디오 또는 프레임별 이미지 시퀀스가 포함된 애플리케이션을 위한 객체 추적 로직을 구현합니다.
GitHub 저장소의 각 하위 디렉토리는 문서에 해당하는 섹션을 가지고 있습니다. 이러한 구조는 의도적으로 미러링되어 문서 읽기와 소스 코드 탐색 간의 전환을 더 쉽게 만듭니다.
실제로 많은 참조 페이지에는 실제 소스 코드도 함께 표시되므로 문서를 벗어나지 않고도 함수와 클래스가 어떻게 구현되었는지 정확히 확인할 수 있습니다.
그림 4. 참조 페이지에는 소스 코드도 포함되어 있습니다.
Link to this section모델, 엔진 및 데이터 구성 요소 이해하기#
이제 참조(Reference) 섹션이 어떻게 구성되어 있는지 살펴보았으니 Ultralytics 패키지의 세 가지 핵심 부분인 모델, 엔진, 데이터에 대해 더 자세히 알아보겠습니다.
models 하위 디렉토리에는 각 유형의 모델이 작동하는 방식을 정의하는 코드가 포함되어 있습니다. 이 디렉토리는 모델 유형(YOLO, FastSAM 또는 RT-DETR 등)과 작업(탐지, 세그멘테이션 또는 분류 등)별로 정리되어 있습니다. 각 내부에는 모델이 예측을 수행하는 방식, 학습되는 방식, 또는 성능이 평가되는 방식과 같은 특정 작업을 처리하는 파일이나 모듈이 있습니다.
한편, engine 하위 디렉토리는 백그라운드에서 작동하며 전체 프로세스를 관리합니다. models 하위 디렉토리가 각 모델이 수행해야 하는 작업에 집중한다면, engine 하위 디렉토리는 그러한 작업을 일관되고 효율적인 방식으로 실행하는 방법에 집중합니다.
또한 data 하위 디렉토리는 데이터셋을 로드하고 준비하는 역할을 합니다. 코드베이스의 이 부분은 학습 데이터가 깨끗하고 구조화되며 다양하도록 보장하여 모델이 더 잘 학습하고 효과적으로 일반화할 수 있도록 돕습니다.
이러한 명확한 구분은 코드를 유지 관리하기 쉽게 만들고 사용자에게 사용자 정의의 유연성을 제공합니다.
Link to this section참조(Reference) 섹션 활용 사례#
Ultralytics 코드베이스의 여러 부분을 이해하는 것이 왜 중요한지 궁금할 수 있습니다. 코드의 어느 부분이 무엇을 처리하는지 알면 필요한 정보를 찾거나, 변경 사항을 적용하거나, 문제를 해결하기가 훨씬 쉬워집니다.
다음은 문서의 참조(Reference) 섹션을 활용하는 방법에 대한 몇 가지 예입니다.
- 만약 "모델이 어떻게 예측을 수행하는가?"라는 질문이 있다면 참조(Reference) 섹션의 Models 카테고리로 이동하여 모델 유형(YOLO 등)을 선택하고, 작업(detect 등)을 선택한 다음 Predict 페이지를 열어 세부 정보를 확인할 수 있습니다.
- 데이터 증강(data augmentations)이 어떻게 적용되는지 알고 싶다면 Data 카테고리의 Augment 페이지를 탐색할 수 있습니다. 이 페이지에는 모델 성능을 개선하고 학습 데이터의 다양성을 높이는 데 사용되는 내장 증강 기술이 나열되어 있습니다.
Link to this section참조(Reference) 섹션을 통한 결과 탐색#
참조(Reference) 섹션은 모델이 반환하는 출력을 이해하려고 할 때도 유용합니다. YOLO11과 같은 모델을 사용하여 이미지에 대한 추론을 실행하면 탐지된 내용을 설명하는 일련의 결과가 반환됩니다.
예를 들어, 카메라 피드에서 사람을 탐지하고 바운딩 박스(bounding box)를 사용하여 그 위치를 강조 표시할 수 있으며, 모델이 탐지에 대해 얼마나 확신하는지를 나타내는 0과 1 사이의 값인 신뢰도 점수도 함께 제공됩니다.
이 출력을 프로젝트에서 어떻게 사용할지 이해하려는 경우 참조(Reference) 섹션이 길잡이가 될 수 있습니다. 여기에는 무엇이 포함되어 있고 코드에서 어떻게 액세스하는지 설명하는 Results 모듈 페이지가 있습니다. 탐지 박스를 확인하는 방법, 신뢰도 점수를 확인하는 방법, 결과를 표시하거나 저장하는 방법에 대한 세부 정보가 있습니다.
그림 5. YOLO11이 반환한 결과가 시각화되는 예시입니다.
Link to this section핵심 요약#
Ultralytics 문서는 YOLO 모델을 효과적으로 사용하는 방법을 이해하도록 돕습니다. 모델 학습, 데이터 준비, 결과 작업과 같은 주요 프로세스를 설명합니다. 각 페이지에는 빠르게 시작할 수 있도록 명확한 설명과 예제 코드 스니펫이 포함되어 있습니다.
백그라운드에서 무엇이 발생하는지 궁금하다면 문서의 참조(Reference) 섹션에서 이를 단계별로 분석해 드립니다. 코드 구조, 각 부분의 역할, 모든 요소가 어떻게 함께 작동하는지 보여줍니다. 이를 통해 컴퓨터 비전 프로젝트를 더 쉽게 배우고, 사용자 정의하고, 자신 있게 구축할 수 있습니다.
활발한 커뮤니티에 참여하시고 GitHub 저장소를 살펴보며 AI를 활용한 개발에 대해 자세히 알아보십시오. 나만의 컴퓨터 비전 아이디어를 시작할 준비가 되셨나요? 라이선스 옵션을 방문하여 시작해 보십시오. 자동차 분야의 비전 AI와 의료 분야의 AI가 어떻게 영향을 미치고 있는지 솔루션 페이지에서 확인해 보십시오.
