ultralytics/docs/ko/models/index.md

comments	description	keywords
true	Ultralytics에서 지원하는 YOLO 계열, SAM, MobileSAM, FastSAM, YOLO-NAS, RT-DETR 모델의 다양한 범위를 탐색하고 CLI 및 Python 사용 예시를 통해 시작해 보세요.	Ultralytics, 문서화, YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS, RT-DETR, 모델, 아키텍처, Python, CLI

Ultralytics에서 지원하는 모델

Ultralytics 모델 문서에 오신 것을 환영합니다! 저희는 객체 검출, 인스턴스 분할, 이미지 분류, 자세 추정, 다중 객체 추적 등 특정 작업에 맞춤화된 다양한 모델을 지원합니다. Ultralytics에 모델 아키텍처를 기여하고자 한다면, 저희의 기여 가이드를 확인해 주세요.

!!! note

🚧 현재 다국어 문서화 작업이 진행 중이며 문서를 개선하기 위해 열심히 작업하고 있습니다. 기다려 주셔서 감사합니다! 🙏

주요 모델

여기 몇 가지 주요 모델을 소개합니다:

1. YOLOv3: Joseph Redmon에 의해 처음 제안된 YOLO 모델 계열의 세 번째 버전으로, 효율적인 실시간 객체 검출 능력으로 알려져 있습니다.
2. YOLOv4: 2020년 Alexey Bochkovskiy에 의해 발표된 YOLOv3의 다크넷 기반 업데이트 버전입니다.
3. YOLOv5: Ultralytics에 의해 개선된 YOLO 아키텍처 버전으로, 이전 버전들과 비교해 더 나은 성능 및 속도 저하를 제공합니다.
4. YOLOv6: 2022년 Meituan에 의해 발표되었으며, 회사의 자율 배송 로봇에 많이 사용되고 있습니다.
5. YOLOv7: YOLOv4의 저자들에 의해 2022년에 발표된 업데이트된 YOLO 모델입니다.
6. YOLOv8: YOLO 계열의 최신 버전으로, 인스턴스 분할, 자세/키포인트 추정 및 분류 등 향상된 기능을 제공합니다.
7. Segment Anything Model (SAM): Meta의 Segment Anything Model (SAM)입니다.
8. Mobile Segment Anything Model (MobileSAM): 경희대학교에 의한 모바일 애플리케이션용 MobileSAM입니다.
9. Fast Segment Anything Model (FastSAM): 중국 과학원 자동화 연구소의 영상 및 비디오 분석 그룹에 의한 FastSAM입니다.
10. YOLO-NAS: YOLO Neural Architecture Search (NAS) 모델입니다.
11. Realtime Detection Transformers (RT-DETR): Baidu의 PaddlePaddle Realtime Detection Transformer (RT-DETR) 모델입니다.

보기: 몇 줄의 코드로 Ultralytics YOLO 모델을 실행하세요.

시작하기: 사용 예시

!!! example ""

=== "Python"

    PyTorch로 사전훈련된 `*.pt` 모델과 구성 `*.yaml` 파일은 Python에서 `YOLO()`, `SAM()`, `NAS()` 및 `RTDETR()` 클래스에 전달하여 모델 인스턴스를 생성할 수 있습니다:

    ```python
    from ultralytics import YOLO

    # COCO 사전훈련된 YOLOv8n 모델을 로드
    model = YOLO('yolov8n.pt')

    # 모델 정보 표시 (선택 사항)
    model.info()

    # COCO8 예시 데이터셋에서 YOLOv8n 모델로 100 에포크 동안 훈련
    results = model.train(data='coco8.yaml', epochs=100, imgsz=640)

    # 'bus.jpg' 이미지에 YOLOv8n 모델로 추론 실행
    results = model('path/to/bus.jpg')
    ```

=== "CLI"

    모델을 직접 실행하기 위한 CLI 커맨드도 제공됩니다:

    ```bash
    # COCO 사전훈련된 YOLOv8n 모델을 로드하고 COCO8 예시 데이터셋에서 100 에포크 동안 훈련
    yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

    # COCO 사전훈련된 YOLOv8n 모델을 로드하고 'bus.jpg' 이미지에서 추론 실행
    yolo predict model=yolov8n.pt source=path/to/bus.jpg
    ```

새 모델 기여하기

Ultralytics에 모델을 기여하고 싶으신가요? 훌륭합니다! 저희는 항상 모델 포트폴리오를 확장하는 것에 개방적입니다.

1. 저장소를 포크하세요: Ultralytics GitHub 저장소를 포크하며 시작하세요.

2. 포크를 클론하세요: 로컬 기기에 포크한 저장소를 클론하고 작업할 새 브랜치를 만드세요.

3. 모델 구현하기: 저희의 기여 가이드에 제시된 코딩 표준과 가이드라인을 따라 모델을 추가하세요.

4. 철저히 테스트하기: 파이프라인의 일부로서 뿐만 아니라 독립적으로도 모델을 철저히 테스트하세요.

5. 풀 리퀘스트 생성하기: 모델에 만족하게 되면, 리뷰를 위해 메인 저장소로 풀 리퀘스트를 생성하세요.

6. 코드 리뷰 및 병합: 리뷰 이후, 모델이 저희의 기준을 만족한다면 메인 저장소로 병합될 것입니다.

자세한 단계는 저희의 기여 가이드를 참조하세요.