PyTorch 기반의 최첨단 실시간 객체 감지 모델 YOLOv5는 객체 감지, 이미지 분할 및 이미지 분류 작업을 지원합니다.

Ultralytics YOLO 프로젝트 상세 소개

프로젝트 개요

Ultralytics YOLO는 최첨단 목표 감지, 인스턴스 분할, 자세 추정, 추적 및 분류 기능을 제공하는 데 중점을 둔 고급 컴퓨터 비전 프레임워크입니다. 이 프로젝트는 수년간의 컴퓨터 비전 및 AI 기초 연구를 기반으로 구축된 최첨단 YOLO 모델 모음입니다.

프로젝트 주소: https://github.com/ultralytics/ultralytics

핵심 특징

🎯 멀티태스크 지원

• 목표 감지: 이미지 또는 비디오에서 물체를 식별하고 위치를 파악합니다.
• 인스턴스 분할: 이미지 또는 비디오를 서로 다른 객체 또는 범주에 해당하는 영역으로 분할합니다.
• 자세 추정: 인체 또는 물체의 자세와 주요 지점을 감지하고 분석합니다.
• 이미지 분류: 전체 이미지를 분류하고 식별합니다.
• 목표 추적: 비디오 시퀀스에서 여러 목표를 추적합니다.
• 방향 경계 상자 감지(OBB): 회전 목표의 감지를 지원합니다.

🚀 최신 모델 버전

YOLO11

YOLO11은 Ultralytics의 최신 YOLO 모델로, 목표 감지, 분할, 자세 추정, 추적 및 분류를 포함한 여러 작업에서 최첨단 성능을 제공하며 향상된 특징 추출 기능을 갖추고 있습니다.

주요 개선 사항:

• 향상된 특징 추출: 개선된 백본 네트워크 및 넥 아키텍처
• 정확성 및 효율성 최적화: 높은 정확도를 유지하면서 처리 속도를 향상시킵니다.
• 더 정확한 목표 감지: 개선된 아키텍처를 통해 더 나은 감지 성능을 구현합니다.

YOLO12

YOLO12는 주의 메커니즘을 중심으로 한 목표 감지 방법을 채택하여 다양한 핵심 컴퓨터 비전 작업에서 뛰어난 성능을 보입니다.

🔧 기술적 장점

1. 실시간 성능: 모델은 빠르고 정확하며 사용하기 쉽고, 최적화된 아키텍처는 정확성을 희생하지 않고 고속 성능을 보장합니다.
2. 지속적인 업데이트: 성능과 유연성을 향상시키기 위해 지속적으로 업데이트됩니다.
3. 쉬운 통합: 간단한 Python API와 풍부한 문서 지원
4. 크로스 플랫폼 배포: NVIDIA Jetson, NVIDIA GPU 및 macOS 시스템과 같은 다양한 장치에서 배포를 지원합니다.

주요 기능 모듈

훈련 모드 (Training)

• 사용자 정의 데이터 세트 훈련 지원
• 다양한 추적 도구(예: Comet, Weights & Biases 등) 통합
• 초매개변수 최적화 및 실험 관리
• 실시간 지표 모니터링

추론 모드 (Inference)

• 일괄 처리 및 단일 이미지 추론
• 비디오 스트림 실시간 처리
• 다양한 추론 백엔드 지원

검증 모드 (Validation)

• 모델 성능 평가
• 지표 계산 및 시각화
• 벤치마크 테스트 도구

내보내기 모드 (Export)

• 다양한 형식으로 내보내기 지원 (ONNX, TensorRT, CoreML 등)
• 모바일 및 임베디드 장치 최적화

응용 분야

산업 응용

• 스마트 보안: 실시간 모니터링 및 이상 감지
• 자율 주행: 도로 목표 식별 및 추적
• 산업 품질 검사: 제품 결함 감지 및 분류
• 의료 영상: 의학 이미지 분석 및 진단 지원
• 소매 상업: 고객 흐름 분석 및 상품 식별
• 스포츠 분석: 운동 선수 동작 분석 및 경기 통계

기술 통합

• 로봇 비전: 환경 인식 및 탐색
• 증강 현실: 실시간 목표 식별 및 추적
• 스마트 홈: 인원 감지 및 행동 인식

기술 아키텍처

모델 아키텍처 특징

• 개선된 백본 네트워크: 특징 추출 능력 향상
• 최적화된 넥 구조: 다중 스케일 특징 융합 강화
• 효율적인 감지 헤드: 속도와 정확도의 균형

핵심 기술

• 주의 메커니즘: YOLO12에 도입된 주의 중심 설계
• 특징 피라미드 네트워크: 다중 스케일 특징 처리
• 앵커 박스 최적화: 자가 적응 앵커 박스 생성 및 최적화

설치 및 사용

빠른 시작

# 설치
pip install ultralytics

# Python API 사용
from ultralytics import YOLO

# 모델 로드
model = YOLO('yolo11n.pt')

# 훈련
model.train(data='coco8.yaml', epochs=100, imgsz=640)

# 추론
results = model('path/to/image.jpg')

# 내보내기
model.export(format='onnx')

명령줄 사용

# 훈련
yolo train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

# 추론
yolo predict model=yolo11n.pt source='path/to/image.jpg'

# 검증
yolo val model=yolo11n.pt data=coco8.yaml

# 내보내기
yolo export model=yolo11n.pt format=onnx

성능 특징

속도 장점

• 실시간 처리 능력, 고프레임 속도 비디오 지원
• 최적화된 추론 엔진
• 다중 GPU 병렬 처리 지원

정확도 표현

• COCO 데이터 세트에서 최첨단 mAP 지표 달성
• 속도와 정확도의 균형 (trade-off)
• 다양한 모델 크기 지원 (nano, small, medium, large, extra-large)

자원 효율성

• 메모리 점유율 최적화
• 계산 자원 효율적 활용
• 양자화 및 가지치기 등 모델 압축 기술 지원

요약

Ultralytics YOLO는 현재 가장 진보되고 완전한 컴퓨터 비전 솔루션 중 하나이며, 강력한 모델 성능을 제공할 뿐만 아니라 완전한 도구 체인과 생태계를 갖추고 있습니다. 학술 연구, 산업 응용 또는 개인 프로젝트 등 모든 분야에서 이 프레임워크에서 적합한 솔루션을 찾을 수 있습니다. 지속적인 업데이트와 개선을 통해 사용자는 항상 최신 기술 발전과 최상의 사용 경험을 얻을 수 있습니다.