몇 줄의 코드로 Ultralytics 객체 감지 및 세그멘테이션 모델 실행하기

Ultralytics의 YOLOv5 및 YOLOv8 모델의 객체 탐지 및 세그멘테이션 기능을 자세히 살펴보는 또 다른 블로그 게시물에 오신 것을 환영합니다. 몇 줄의 코드만으로 이러한 사용하기 쉬운 모델을 프로젝트에 통합하는 방법을 알아보겠습니다. 초보자든 숙련된 개발자든 관계없이, 다양한 YOLO 버전과 Transformer 기반 모델을 비롯한 다양한 모델 및 아키텍처를 Ultralytics가 어떻게 지원하는지 확인할 수 있습니다.

동영상에서 Nicolai Nielsen이 Ultralytics 프레임워크 내에서 다양한 모델을 설정하고 사용하는 과정을 안내합니다. 이를 단계별로 살펴보면서 이러한 강력한 도구를 시작하는 방법을 알아보겠습니다.

Ultralytics 모델 시작하기#

Ultralytics는 다양한 객체 탐지 및 세그멘테이션 모델을 지원하는 종합적인 프레임워크를 제공합니다. 여기에는 YOLOv3부터 최신 YOLOv8까지의 인기 있는 YOLO 모델과 YOLO-NAS 및 SAM 모델이 포함됩니다. 이러한 모델은 실시간 탐지, 세그멘테이션, 자세 추정 등 다양한 작업을 처리하도록 설계되었습니다.

시작하려면 Ultralytics 문서 페이지를 방문합니다. 여기에서 각 모델의 주요 기능과 아키텍처, Python 스크립트에서 모델을 사용하는 방법을 비롯한 자세한 정보를 확인할 수 있습니다.

환경 설정하기#

먼저 Ultralytics가 설치되어 있는지 확인합니다. 다음 명령을 실행하면 됩니다.

pip install ultralytics

이 작업이 완료되면 프로젝트에서 이러한 모델을 사용할 수 있습니다. 예제로 Ultralytics YOLOv8 모델부터 살펴보겠습니다.

Ultralytics YOLOv8의 주요 기능#

Ultralytics YOLOv8에는 이전 모델보다 향상된 여러 기능이 포함되어 있습니다. 더 빠르고 정확하도록 설계되어 실시간 애플리케이션에 적합합니다. 주요 기능은 다음과 같습니다.

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

Python에서 Ultralytics YOLOv8 실행하기#

몇 줄의 코드만으로 Ultralytics 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")

이것으로 끝입니다! 이제 이미지에서 YOLOv8 모델을 실행했습니다. 이러한 간편함 덕분에 Ultralytics 모델은 강력하면서도 사용하기 쉽습니다.

실시간 웹캠 탐지#

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

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 Ultralytics YOLOv8 모델을 적용하여 실시간으로 객체를 탐지합니다.

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

다른 모델 살펴보기#

Ultralytics는 YOLOv8에만 머무르지 않습니다. YOLOv5, YOLO-NAS 및 실시간 탐지를 위한 Transformer 기반 모델과 같은 다른 모델도 지원합니다. 각 모델에는 고유한 강점과 사용 사례가 있습니다.

Transformer 모델 및 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 사용하여 실시간 속도를 구현하며, TensorRT를 사용하는 CUDA에서 뛰어난 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")

Segment Anything 모델#

Ultralytics는 MobileSAM 및 FastSAM과 같은 세그멘테이션 작업용 모델도 제공합니다. 이러한 모델은 이미지에서 모든 요소를 분할하여 장면에 대한 자세한 정보를 제공하도록 설계되었습니다.

FastSAM 실행하기#

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

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.

성능 및 비교#

Ultralytics 프레임워크의 뛰어난 기능 중 하나는 다양한 모델을 나란히 비교할 수 있다는 점입니다. 추론 속도 및 평균 정밀도(mAP)와 같은 성능 지표를 확인하면 특정 애플리케이션에 가장 적합한 모델을 쉽게 판단할 수 있습니다.

주요 요점#

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

Ultralytics 커뮤니티의 더 많은 튜토리얼과 업데이트를 기대해 주세요!