몇 줄의 코드로 Ultralytics 객체 감지 및 세그멘테이션 모델 실행하기

이 게시물에서는 Ultralytics YOLOv5 및 YOLOv8 모델의 객체 탐지와 분할 기능을 살펴봅니다. 몇 줄의 코드만으로 사용하기 쉬운 이 모델을 프로젝트에 통합하는 방법을 알아봅니다. 초보자든 경험 많은 개발자든, Ultralytics가 다양한 YOLO 버전과 트랜스포머 기반 모델을 포함한 다양한 모델과 아키텍처를 지원하는 방식을 확인할 수 있습니다.

영상에서 Nicolai Nielsen은 Ultralytics 프레임워크 내에서 여러 모델을 설정하고 사용하는 과정을 안내합니다. 단계별로 살펴보며 이러한 도구를 시작하는 방법을 알아보겠습니다.

Ultralytics 모델 시작하기#

Ultralytics는 여러 객체 탐지 및 분할 모델을 지원하는 종합적인 프레임워크를 제공합니다. 여기에는 YOLOv3부터 YOLOv8까지의 인기 YOLO 모델(YOLOv8의 뒤를 YOLO26이 이음), YOLO-NAS, SAM 모델이 포함됩니다. 이러한 모델은 실시간 탐지, 분할, 자세 추정과 같은 다양한 작업을 처리하도록 설계되었습니다.

시작하려면 Ultralytics 문서 페이지를 방문하세요. 이곳에서 각 모델의 주요 기능과 아키텍처, Python 스크립트에서 사용하는 방법 등 자세한 정보를 확인할 수 있습니다.

환경 설정하기#

먼저 Ultralytics가 설치되어 있는지 확인하세요. 다음 명령을 실행하면 설치할 수 있습니다.

pip install ultralytics

설치가 완료되면 프로젝트에서 이러한 모델을 사용할 수 있습니다. 예시로 Ultralytics YOLOv8 모델부터 살펴보겠습니다.

Ultralytics YOLOv8의 주요 기능#

Ultralytics YOLOv8에는 이전 버전보다 여러 가지 개선 사항이 적용되었습니다. 더 빠르고 정확하도록 설계되어 실시간 애플리케이션에 적합합니다. 주요 기능은 다음과 같습니다.

• 속도와 정확도 향상
• 여러 작업을 위한 사전 학습된 가중치
• 객체 탐지, 세그멘테이션 및 분류 지원
• 성능 향상을 위한 모델 아키텍처 개선

Python에서 Ultralytics YOLOv8 실행하기#

몇 줄의 코드만으로 Ultralytics YOLOv8을 시작하는 방법은 다음과 같습니다.

from ultralytics import YOLO

# 사전 학습된 YOLOv8 모델 로드
model = YOLO("yolov8n.pt")

# 이미지에서 추론 실행
results = model("path/to/image.jpg")

이제 이미지에서 YOLOv8 모델로 추론을 실행했습니다. 이러한 간편함 덕분에 Ultralytics 모델을 사용하기 쉽습니다.

실시간 웹캠 탐지#

실시간 웹캠 영상에서 Ultralytics YOLOv8이 작동하는 모습을 확인하고 싶으신가요? 다음과 같이 실행할 수 있습니다.

from ultralytics import YOLO

# 사전 학습된 YOLOv8 모델 로드
model = YOLO("yolov8n.pt")

# 웹캠 영상(source=0)에서 추론을 실행하고 결과 표시
results = model.predict(source=0, show=True)

이 스크립트는 웹캠을 열고 Ultralytics YOLOv8 모델을 적용해 실시간으로 객체를 탐지합니다.

그림 1. Ultralytics 객체 탐지 및 세그멘테이션 모델 실행 방법을 설명하는 Nicolai Nielsen.

다른 모델 살펴보기#

Ultralytics는 YOLOv8에만 머물지 않습니다. YOLOv5, YOLO-NAS, 실시간 탐지를 위한 트랜스포머 기반 모델 등 다양한 모델도 지원합니다. 각 모델은 고유한 강점과 사용 사례를 가지고 있습니다.

Transformer 모델과 실행 방법#

Baidu가 개발하고 Ultralytics가 지원하는 RT-DETR 모델은 실시간 성능과 높은 정확도를 제공하는 최첨단 엔드투엔드 객체 탐지 모델입니다. 합성곱 기반 백본과 효율적인 하이브리드 인코더를 사용해 실시간 속도를 구현하고, TensorRT를 사용하는 CUDA에서 뛰어난 성능을 발휘하며, 추론 속도를 유연하게 조정할 수 있습니다.

RT-DETR 모델은 다음과 같이 실행할 수 있습니다.

from ultralytics import RTDETR

# COCO 사전 학습 RT-DETR-l 모델 로드
model = RTDETR("rtdetr-l.pt")

# 이미지에서 추론 실행
results = model("path/to/image.jpg")

모든 것을 분할하는 모델#

Ultralytics는 MobileSAM과 FastSAM과 같은 분할 작업용 모델도 제공합니다. 이러한 모델은 이미지의 모든 요소를 분할해 장면에 관한 상세한 인사이트를 제공하도록 설계되었습니다.

FastSAM 실행하기#

FastSAM은 실시간 세그멘테이션에 최적화되어 있으며, 다음과 같이 실행할 수 있습니다.

from ultralytics import FastSAM

# FastSAM 모델 생성
model = FastSAM("FastSAM-s.pt")  # 또는 FastSAM-x.pt

# 이미지에서 추론 실행
results = model("path/to/image.jpg", device="cpu", retina_masks=True, imgsz=1024, conf=0.4, iou=0.9)

이 모델은 빠르고 정확한 분할이 필요한 애플리케이션에 적합합니다.

성능 및 비교#

Ultralytics 에코시스템의 유용한 기능 중 하나는 여러 모델을 나란히 비교할 수 있다는 점입니다. 추론 속도와 평균 정밀도(mAP) 같은 성능 지표를 확인해 특정 애플리케이션에 가장 적합한 모델을 파악할 수 있습니다.

주요 요점#

Ultralytics를 사용하면 몇 줄의 코드만으로 객체 탐지 및 분할 모델을 쉽게 실행할 수 있습니다. 실시간 애플리케이션을 개발하든 높은 정밀도의 모델이 필요하든, Ultralytics는 적합한 솔루션을 제공합니다. 자세한 정보와 예시를 확인하려면 Ultralytics YouTube 채널에서 Nicolai Nielsen의 전체 튜토리얼을 살펴보세요.

Ultralytics 커뮤니티의 더 많은 튜토리얼과 업데이트를 기대해 주세요!