You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
227 lines
14 KiB
227 lines
14 KiB
--- |
|
comments: true |
|
description: YOLOv8 예측 모드를 사용하여 다양한 작업을 수행하는 방법을 알아보십시오. 이미지, 비디오 및 데이터 형식과 같은 다양한 추론 소스에 대해 자세히 알아봅니다. |
|
keywords: Ultralytics, YOLOv8, 예측 모드, 추론 소스, 예측 작업, 스트리밍 모드, 이미지 처리, 비디오 처리, 머신 러닝, AI |
|
--- |
|
|
|
# Ultralytics YOLO로 모델 예측 |
|
|
|
<img width="1024" src="https://github.com/ultralytics/assets/raw/main/yolov8/banner-integrations.png" alt="Ultralytics YOLO 생태계와 통합"> |
|
|
|
## 소개 |
|
|
|
머신 러닝 및 컴퓨터 비전의 세계에서 시각적 데이터를 해석하는 과정을 '추론' 또는 '예측'이라고 합니다. Ultralytics YOLOv8는 다양한 데이터 소스에서의 고성능, 실시간 추론을 위해 맞춤화된 강력한 기능인 **예측 모드**를 제공합니다. |
|
|
|
<p align="center"> |
|
<br> |
|
<iframe width="720" height="405" src="https://www.youtube.com/embed/QtsI0TnwDZs?si=ljesw75cMO2Eas14" |
|
title="YouTube video player" frameborder="0" |
|
allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" |
|
allowfullscreen> |
|
</iframe> |
|
<br> |
|
<strong>시청:</strong> Ultralytics YOLOv8 모델에서 출력을 추출하여 맞춤 프로젝트에 사용하는 방법. |
|
</p> |
|
|
|
## 실제 응용 분야 |
|
|
|
| 제조업 | 스포츠 | 안전 | |
|
|:-----------------------------------------------------------------------------------------------------------------:|:--------------------------------------------------------------------------------------------------------------:|:---------------------------------------------------------------------------------------------------------------:| |
|
|  |  |  | |
|
| 차량 예비 부품 탐지 | 축구 선수 탐지 | 사람 넘어짐 탐지 | |
|
|
|
## 예측 인퍼런스를 위해 Ultralytics YOLO 사용하기 |
|
|
|
다음은 YOLOv8의 예측 모드를 다양한 추론 요구 사항에 사용해야 하는 이유입니다: |
|
|
|
- **다양성:** 이미지, 비디오, 심지어 실시간 스트림에 대한 추론을 수행할 수 있습니다. |
|
- **성능:** 정확성을 희생하지 않고 실시간, 고속 처리를 위해 설계되었습니다. |
|
- **사용 편의성:** 빠른 배포 및 테스트를 위한 직관적인 Python 및 CLI 인터페이스를 제공합니다. |
|
- **고도의 사용자 정의:** 특정 요구 사항에 맞게 모델의 추론 행동을 조율하기 위한 다양한 설정 및 매개변수를 제공합니다. |
|
|
|
### 예측 모드의 주요 기능 |
|
|
|
YOLOv8의 예측 모드는 강력하고 다재다능하게 설계되었으며, 다음과 같은 특징을 갖고 있습니다: |
|
|
|
- **다중 데이터 소스 호환성:** 데이터가 개별 이미지, 이미지 컬렉션, 비디오 파일 또는 실시간 비디오 스트림의 형태로 존재하는지 여부에 관계없이 예측 모드가 지원합니다. |
|
- **스트리밍 모드:** `Results` 객체의 메모리 효율적인 생성자로 스트리밍 기능을 사용합니다. 예측기의 호출 메서드에서 `stream=True`로 설정하여 활성화합니다. |
|
- **배치 처리:** 단일 배치에서 여러 이미지 또는 비디오 프레임을 처리하는 기능을 통해 추론 시간을 더욱 단축합니다. |
|
- **통합 친화적:** 유연한 API 덕분에 기존 데이터 파이프라인 및 기타 소프트웨어 구성 요소와 쉽게 통합할 수 있습니다. |
|
|
|
Ultralytics YOLO 모델은 Python `Results` 객체의 리스트를 반환하거나, 추론 중 `stream=True`가 모델에 전달될 때 `Results` 객체의 메모리 효율적인 Python 생성자를 반환합니다: |
|
|
|
!!! 예시 "예측" |
|
|
|
=== "`stream=False`로 리스트 반환" |
|
```python |
|
from ultralytics import YOLO |
|
|
|
# 모델 로드 |
|
model = YOLO('yolov8n.pt') # 사전 훈련된 YOLOv8n 모델 |
|
|
|
# 이미지 리스트에 대한 배치 추론 실행 |
|
results = model(['im1.jpg', 'im2.jpg']) # Results 객체의 리스트 반환 |
|
|
|
# 결과 리스트 처리 |
|
for result in results: |
|
boxes = result.boxes # bbox 출력을 위한 Boxes 객체 |
|
masks = result.masks # 세그멘테이션 마스크 출력을 위한 Masks 객체 |
|
keypoints = result.keypoints # 자세 출력을 위한 Keypoints 객체 |
|
probs = result.probs # 분류 출력을 위한 Probs 객체 |
|
``` |
|
|
|
=== "`stream=True`로 생성자 반환" |
|
```python |
|
from ultralytics import YOLO |
|
|
|
# 모델 로드 |
|
model = YOLO('yolov8n.pt') # 사전 훈련된 YOLOv8n 모델 |
|
|
|
# 이미지 리스트에 대한 배치 추론 실행 |
|
results = model(['im1.jpg', 'im2.jpg'], stream=True) # Results 객체의 생성자 반환 |
|
|
|
# 결과 생성자 처리 |
|
for result in results: |
|
boxes = result.boxes # bbox 출력을 위한 Boxes 객체 |
|
masks = result.masks # 세그멘테이션 마스크 출력을 위한 Masks 객체 |
|
keypoints = result.keypoints # 자세 출력을 위한 Keypoints 객체 |
|
probs = result.probs # 분류 출력을 위한 Probs 객체 |
|
``` |
|
|
|
## 추론 소스 |
|
|
|
YOLOv8은 아래 표에 표시된 바와 같이 추론을 위한 다양한 유형의 입력 소스를 처리할 수 있습니다. 소스에는 정적 이미지, 비디오 스트림, 다양한 데이터 형식이 포함됩니다. 표는 또한 각 소스를 'stream=True' ✅와 함께 스트리밍 모드에서 사용할 수 있는지 여부를 나타냅니다. 스트리밍 모드는 비디오나 라이브 스트림을 처리할 때 결과를 메모리에 모두 로드하는 대신 결과의 생성자를 만들어 유용하게 사용됩니다. |
|
|
|
!!! Tip "팁" |
|
|
|
긴 비디오나 큰 데이터 세트를 처리할 때 'stream=True'를 사용하여 효율적으로 메모리를 관리합니다. 'stream=False'일 때는 모든 프레임 또는 데이터 포인트에 대한 결과가 메모리에 저장되어, 입력이 크면 메모리 부족 오류를 빠르게 유발할 수 있습니다. 반면에, 'stream=True'는 생성자를 사용하여 현재 프레임 또는 데이터 포인트의 결과만 메모리에 유지하여 메모리 소비를 크게 줄이고 메모리 부족 문제를 방지합니다. |
|
|
|
| 소스 | 인수 | 유형 | 비고 | |
|
|-----------|--------------------------------------------|-----------------|--------------------------------------------------------------------------| |
|
| 이미지 | `'image.jpg'` | `str` 또는 `Path` | 단일 이미지 파일. | |
|
| URL | `'https://ultralytics.com/images/bus.jpg'` | `str` | 이미지 URL. | |
|
| 스크린샷 | `'screen'` | `str` | 스크린샷을 캡처합니다. | |
|
| PIL | `Image.open('im.jpg')` | `PIL.Image` | HWC 형식으로 RGB 채널이 있습니다. | |
|
| OpenCV | `cv2.imread('im.jpg')` | `np.ndarray` | HWC 형식으로 BGR 채널이 있고 `uint8 (0-255)` 입니다. | |
|
| numpy | `np.zeros((640,1280,3))` | `np.ndarray` | HWC 형식으로 BGR 채널이 있고 `uint8 (0-255)` 입니다. | |
|
| torch | `torch.zeros(16,3,320,640)` | `torch.Tensor` | BCHW 형식으로 RGB 채널이 있고 `float32 (0.0-1.0)` 입니다. | |
|
| CSV | `'sources.csv'` | `str` 또는 `Path` | 이미지, 비디오 또는 디렉토리 경로가 있는 CSV 파일. | |
|
| 비디오 ✅ | `'video.mp4'` | `str` 또는 `Path` | MP4, AVI 등과 같은 형식의 비디오 파일입니다. | |
|
| 디렉토리 ✅ | `'path/'` | `str` 또는 `Path` | 이미지나 비디오가 있는 디렉토리 경로입니다. | |
|
| 글로브 ✅ | `'path/*.jpg'` | `str` | 여러 파일에 일치하는 글로브 패턴입니다. '*' 문자를 와일드카드로 사용하세요. | |
|
| YouTube ✅ | `'https://youtu.be/LNwODJXcvt4'` | `str` | YouTube 비디오의 URL입니다. | |
|
| 스트림 ✅ | `'rtsp://example.com/media.mp4'` | `str` | RTSP, RTMP, TCP 또는 IP 주소와 같은 스트리밍 프로토콜의 URL입니다. | |
|
| 멀티-스트림 ✅ | `'list.streams'` | `str` 또는 `Path` | 스트림 URL이 행당 하나씩 있는 `*.streams` 텍스트 파일이며, 예를 들어 8개의 스트림은 배치 크기 8에서 실행됩니다. | |
|
|
|
아래는 각 유형의 소스를 사용하는 코드 예제입니다: |
|
|
|
!!! 예시 "예측 소스" |
|
|
|
=== "이미지" |
|
이미지 파일에서 추론을 실행합니다. |
|
```python |
|
from ultralytics import YOLO |
|
|
|
# 사전 훈련된 YOLOv8n 모델 로드 |
|
model = YOLO('yolov8n.pt') |
|
|
|
# 이미지 파일 경로 정의 |
|
source = 'path/to/image.jpg' |
|
|
|
# 소스에서 추론 실행 |
|
results = model(source) # Results 객체의 리스트 |
|
``` |
|
|
|
=== "스크린샷" |
|
현재 스크린 콘텐츠를 스크린샷으로 추론을 실행합니다. |
|
```python |
|
from ultralytics import YOLO |
|
|
|
# 사전 훈련된 YOLOv8n 모델 로드 |
|
model = YOLO('yolov8n.pt') |
|
|
|
# 현재 스크린샷을 소스로 정의 |
|
source = 'screen' |
|
|
|
# 소스에서 추론 실행 |
|
results = model(source) # Results 객체의 리스트 |
|
``` |
|
|
|
=== "URL" |
|
URL을 통해 원격으로 호스팅되는 이미지나 비디오에서 추론을 실행합니다. |
|
```python |
|
from ultralytics import YOLO |
|
|
|
# 사전 훈련된 YOLOv8n 모델 로드 |
|
model = YOLO('yolov8n.pt') |
|
|
|
# 원격 이미지나 동영상 URL 정의 |
|
source = 'https://ultralytics.com/images/bus.jpg' |
|
|
|
# 소스에서 추론 실행 |
|
results = model(source) # Results 객체의 리스트 |
|
``` |
|
|
|
=== "PIL" |
|
Python Imaging Library (PIL)로 열린 이미지에서 추론을 실행합니다. |
|
```python |
|
from PIL import Image |
|
from ultralytics import YOLO |
|
|
|
# 사전 훈련된 YOLOv8n 모델 로드 |
|
model = YOLO('yolov8n.pt') |
|
|
|
# PIL을 사용하여 이미지 열기 |
|
source = Image.open('path/to/image.jpg') |
|
|
|
# 소스에서 추론 실행 |
|
results = model(source) # Results 객체의 리스트 |
|
``` |
|
|
|
=== "OpenCV" |
|
OpenCV로 읽은 이미지에서 추론을 실행합니다. |
|
```python |
|
import cv2 |
|
from ultralytics import YOLO |
|
|
|
# 사전 훈련된 YOLOv8n 모델 로드 |
|
model = YOLO('yolov8n.pt') |
|
|
|
# OpenCV를 사용하여 이미지 읽기 |
|
source = cv2.imread('path/to/image.jpg') |
|
|
|
# 소스에서 추론 실행 |
|
results = model(source) # Results 객체의 리스트 |
|
``` |
|
|
|
=== "numpy" |
|
numpy 배열로 표현된 이미지에서 추론을 실행합니다. |
|
```python |
|
import numpy as np |
|
from ultralytics import YOLO |
|
|
|
# 사전 훈련된 YOLOv8n 모델 로드 |
|
model = YOLO('yolov8n.pt') |
|
|
|
# 무작위 numpy 배열 생성, HWC 형태 (640, 640, 3), 값 범위 [0, 255], 타입 uint8 |
|
source = np.random.randint(low=0, high=255, size=(640, 640, 3), dtype='uint8') |
|
|
|
# 소스에서 추론 실행 |
|
results = model(source) # Results 객체의 리스트 |
|
``` |
|
|
|
=== "torch" |
|
PyTorch 텐서로 표현된 이미지에서 추론을 실행합니다. |
|
```python |
|
import torch |
|
from ultralytics import YOLO |
|
|
|
# 사전 훈련된 YOLOv8n 모델 로드 |
|
model = YOLO('yolov8n.pt') |
|
|
|
# 무작위 torch 텐서 생성, BCHW 형태 (1, 3, 640, 640), 값 범위 [0, 1], 타입 float32 |
|
source = torch.rand(1, 3, 640, 640, dtype=torch.float32) |
|
|
|
# 소스에서 추론 실행 |
|
results = model(source) # Results 객체의 리스트 |
|
```
|
|
|