단 몇 줄의 코드로 Ultralytics 객체 탐지 및 세그멘테이션 모델 실행하기

Ultralytics의 YOLOv5 및 YOLOv8 모델이 객체 탐지(object detection)와 세그멘테이션(segmentation) 분야에서 어떤 역량을 발휘하는지 살펴보는 새로운 블로그 게시물에 오신 것을 환영합니다. 단 몇 줄의 코드만으로 이러한 사용하기 쉬운 모델들을 프로젝트에 통합하는 방법을 알아보겠습니다. 초보자든 숙련된 개발자든 상관없이, Ultralytics가 다양한 YOLO 버전과 Transformer 기반 모델을 포함하여 어떻게 다양한 모델 및 아키텍처를 지원하는지 확인하실 수 있습니다.

Nicolai Nielsen은 자신의 비디오에서 Ultralytics 프레임워크 내에서 다양한 모델을 설정하고 사용하는 과정을 안내합니다. 이 incredible 도구를 시작하는 방법을 단계별로 나누어 살펴보겠습니다.

Link to this sectionUltralytics 모델 시작하기#

Ultralytics는 다수의 객체 탐지 및 세그멘테이션 모델을 지원하는 포괄적인 프레임워크를 제공합니다. 여기에는 YOLOv3부터 최신 YOLOv8까지의 대중적인 YOLO 모델과 YOLO-NAS 및 SAM 모델이 포함됩니다. 이러한 모델은 실시간 탐지, 세그멘테이션, 포즈 추정과 같은 다양한 작업을 처리하도록 설계되었습니다.

시작하려면 Ultralytics 문서 페이지를 방문하십시오. 여기에서 각 모델의 주요 기능, 아키텍처 및 Python 스크립트에서 사용하는 방법을 포함한 자세한 정보를 찾을 수 있습니다.

Link to this section환경 설정하기#

먼저, Ultralytics가 설치되어 있는지 확인하십시오. 다음 명령어를 실행하여 설치할 수 있습니다:

pip install ultralytics

설치가 완료되면 프로젝트에서 모델을 사용할 수 있습니다. 예시로 YOLOv8 모델부터 시작하겠습니다.

Link to this sectionYOLOv8의 주요 특징#

YOLOv8은 이전 버전에 비해 여러 향상된 기능을 제공합니다. 더 빠르고 정확하게 설계되어 실시간 애플리케이션에 적합합니다. 주요 특징은 다음과 같습니다:

• 속도 및 정확도 향상
• 여러 작업을 위한 사전 훈련된 가중치
• 객체 탐지, 세그멘테이션 및 분류 지원
• 성능 향상을 위한 개선된 모델 아키텍처

Link to this sectionPython에서 YOLOv8 실행하기#

단 몇 줄의 코드로 YOLOv8을 시작하는 방법은 다음과 같습니다:

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

끝입니다! 방금 이미지에서 YOLOv8 모델을 실행했습니다. 이러한 단순함이 Ultralytics 모델을 강력하고 사용자 친화적으로 만드는 이유입니다.

Link to this section라이브 웹캠 탐지#

라이브 웹캠 피드에서 YOLOv8이 작동하는 것을 보고 싶으신가요? 방법은 다음과 같습니다:

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on the webcam feed (source=0) and display the results
results = model.predict(source=0, show=True)

이 스크립트는 웹캠을 열고 실시간으로 객체를 탐지하기 위해 YOLOv8 모델을 적용합니다.

그림 1. Nicolai Nielsen이 Ultralytics 객체 탐지 및 세그멘테이션 모델 실행 방법을 설명하고 있습니다.

Link to this section다른 모델 탐색하기#

Ultralytics는 YOLOv8에서 멈추지 않습니다. 실시간 탐지를 위해 YOLOv5, YOLO-NAS 및 Transformer 기반 모델과 같은 다른 모델도 다양하게 지원합니다. 각 모델은 고유한 강점과 사용 사례를 가지고 있습니다.

Link to this sectionTransformer 모델 및 실행 방법#

Baidu가 개발하고 Ultralytics가 지원하는 RT-DETR 모델은 실시간 성능과 높은 정확도를 제공하는 최첨단 엔드투엔드 객체 탐지기입니다. 실시간 속도를 위해 Conv 기반 백본과 효율적인 하이브리드 인코더를 사용하며, CUDA 및 TensorRT에서 탁월한 성능을 발휘하고 유연한 추론 속도 조정을 지원합니다.

RT-DETR 모델을 실행하는 방법은 다음과 같습니다:

from ultralytics import RTDETR

# Load a COCO-pretrained RT-DETR-l model
model = RTDETR("rtdetr-l.pt")

# Run inference on an image
results = model("path/to/image.jpg")

Link to this sectionSegment Anything 모델#

Ultralytics는 MobileSAM 및 FastSAM과 같은 세그멘테이션 작업을 위한 모델도 제공합니다. 이러한 모델은 이미지 내의 모든 것을 세그멘테이션하도록 설계되어 장면에 대한 상세한 통찰력을 제공합니다.

Link to this sectionFastSAM 실행하기#

FastSAM은 실시간 세그멘테이션에 최적화되어 있으며, 실행 방법은 다음과 같습니다:

from ultralytics import FastSAM

# Create a FastSAM model
model = FastSAM("FastSAM-s.pt")  # or FastSAM-x.pt

# Run inference on an image
results = model("path/to/image.jpg", device="cpu", retina_masks=True, imgsz=1024, conf=0.4, iou=0.9)

이 모델은 빠르고 정확한 세그멘테이션이 필요한 애플리케이션에 적합합니다.

Link to this section성능 및 비교#

Ultralytics 프레임워크의 큰 장점 중 하나는 서로 다른 모델을 나란히 비교할 수 있다는 점입니다. 추론 속도 및 mAP(mean average precision)와 같은 성능 지표를 살펴봄으로써 특정 애플리케이션에 가장 적합한 모델을 쉽게 결정할 수 있습니다.

Link to this section주요 요점#

Ultralytics는 단 몇 줄의 코드로 객체 탐지 및 세그멘테이션 모델을 매우 쉽게 실행할 수 있게 해줍니다. 실시간 애플리케이션을 작업 중이든 고정밀 모델이 필요하든, Ultralytics는 당신을 위한 솔루션을 갖추고 있습니다. 더 자세한 정보와 예제는 Ultralytics YouTube 채널에서 Nicolai Nielsen의 전체 튜토리얼을 확인하십시오.

Ultralytics 커뮤니티의 더 많은 튜토리얼과 업데이트를 기대해 주십시오!