12 KiB

Raw Blame History

comments	description	keywords
true	Ultralytics 공식 YOLOv8 문서입니다. 모델 훈련, 검증, 예측 및 다양한 형식으로 모델 내보내기 방법을 배우십시오. 세부적인 성능 통계를 포함합니다.	YOLOv8, Ultralytics, 객체 감지, 사전 훈련된 모델, 훈련, 검증, 예측, 모델 내보내기, COCO, ImageNet, PyTorch, ONNX, CoreML

객체 감지

객체 감지는 이미지 또는 비디오 스트림 내의 객체의 위치와 클래스를 식별하는 작업입니다.

객체 감지기의 출력은 이미지 속 객체를 내포하는 경계 상자(bounding box) 세트와 각 상자에 대한 클래스 레이블과 신뢰도 점수를 포함합니다. 장면 내 관심 객체를 식별해야 하지만 객체의 정확한 위치나 정확한 모양을 알 필요가 없을 때 객체 감지가 좋은 선택입니다.

시청하기: 사전 훈련된 Ultralytics YOLOv8 모델로 객체 감지하기.

!!! Tip "팁"

YOLOv8 Detect 모델들은 기본 YOLOv8 모델이며 예를 들어 `yolov8n.pt` 이 [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml) 데이터셋에서 사전 훈련되었습니다.

모델

여기서는 YOLOv8 사전 훈련된 Detect 모델을 나타냅니다. Detect, Segment, 및 Pose 모델은 COCO 데이터셋에서, Classify 모델은 ImageNet 데이터셋에서 사전 훈련되었습니다.

모델은 첫 사용 시 Ultralytics의 최신 릴리즈에서 자동으로 다운로드됩니다.

모델	크기 ^(픽셀)	mAP^val 50-95	속도 ^{CPU ONNX (ms)}	속도 ^{A100 TensorRT (ms)}	파라미터 ^(M)	FLOPs ^(B)
YOLOv8n	640	37.3	80.4	0.99	3.2	8.7
YOLOv8s	640	44.9	128.4	1.20	11.2	28.6
YOLOv8m	640	50.2	234.7	1.83	25.9	78.9
YOLOv8l	640	52.9	375.2	2.39	43.7	165.2
YOLOv8x	640	53.9	479.1	3.53	68.2	257.8

mAP^val 값은 COCO val2017 데이터셋에서 단일 모델 단일 스케일을 사용한 값입니다.
COCO 데이터와 yolo val detect data=coco.yaml device=0 명령으로 재현할 수 있습니다.
속도는 Amazon EC2 P4d 인스턴스를 사용해 COCO val 이미지들을 평균한 것입니다.
COCO128 데이터와 yolo val detect data=coco128.yaml batch=1 device=0|cpu 명령으로 재현할 수 있습니다.

훈련

COCO128 데이터셋에서 이미지 크기 640으로 YOLOv8n 모델을 100 에포크 동안 훈련합니다. 가능한 모든 인수에 대한 목록은 설정 페이지에서 확인할 수 있습니다.

!!! Example "예제"

=== "Python"

    ```python
    from ultralytics import YOLO

    # 모델 로드하기
    model = YOLO('yolov8n.yaml')  # YAML에서 새 모델을 빌드합니다.
    model = YOLO('yolov8n.pt')  # 사전 훈련된 모델을 로드합니다(훈련을 위해 권장됩니다).
    model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # YAML에서 빌드하고 가중치를 전달합니다.

    # 모델 훈련하기
    results = model.train(data='coco128.yaml', epochs=100, imgsz=640)
    ```
=== "CLI"

    ```bash
    # YAML에서 새 모델을 빌드하고 처음부터 훈련을 시작합니다.
    yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640

    # 사전 훈련된 *.pt 모델로부터 훈련을 시작합니다.
    yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640

    # YAML에서 새 모델을 빌드하고, 사전 훈련된 가중치를 전달한 후 훈련을 시작합니다.
    yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640
    ```

데이터셋 형식

YOLO 감지 데이터셋 형식은 데이터셋 가이드에서 자세히 볼 수 있습니다. 다른 형식(예: COCO 등)의 기존 데이터셋을 YOLO 형식으로 변환하려면 Ultralytics의 JSON2YOLO 도구를 사용하십시오.

검증

COCO128 데이터셋에서 훈련된 YOLOv8n 모델의 정확도를 검증합니다. model은 훈련 시의 data와 인수를 모델 속성으로 보존하기 때문에 인수를 전달할 필요가 없습니다.

!!! Example "예제"

=== "Python"

    ```python
    from ultralytics import YOLO

    # 모델 로드하기
    model = YOLO('yolov8n.pt')  # 공식 모델을 로드합니다.
    model = YOLO('path/to/best.pt')  # 사용자 정의 모델을 로드합니다.

    # 모델 검증하기
    metrics = model.val()  # 데이터셋과 설정을 기억하니 인수는 필요 없습니다.
    metrics.box.map    # map50-95
    metrics.box.map50  # map50
    metrics.box.map75  # map75
    metrics.box.maps   # 각 카테고리의 map50-95가 포함된 리스트입니다.
    ```
=== "CLI"

    ```bash
    yolo detect val model=yolov8n.pt  # 공식 모델 검증하기
    yolo detect val model=path/to/best.pt  # 사용자 정의 모델 검증하기
    ```

예측

훈련된 YOLOv8n 모델을 사용하여 이미지에 대한 예측을 수행합니다.

!!! Example "예제"

=== "Python"

    ```python
    from ultralytics import YOLO

    # 모델 로드하기
    model = YOLO('yolov8n.pt')  # 공식 모델을 로드합니다.
    model = YOLO('path/to/best.pt')  # 사용자 정의 모델을 로드합니다.

    # 모델로 예측하기
    results = model('https://ultralytics.com/images/bus.jpg')  # 이미지에 대해 예측합니다.
    ```
=== "CLI"

    ```bash
    yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'  # 공식 모델로 예측하기
    yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # 사용자 정의 모델로 예측하기
    ```

전체 'predict' 모드 세부 사항은 Predict 페이지에서 확인하세요.

내보내기

YOLOv8n 모델을 ONNX, CoreML 등과 같은 다른 형식으로 내보냅니다.

!!! Example "예제"

=== "Python"

    ```python
    from ultralytics import YOLO

    # 모델 로드하기
    model = YOLO('yolov8n.pt')  # 공식 모델을 로드합니다.
    model = YOLO('path/to/best.pt')  # 사용자 정의 모델을 로드합니다.

    # 모델 내보내기
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n.pt format=onnx  # 공식 모델 내보내기
    yolo export model=path/to/best.pt format=onnx  # 사용자 정의 모델 내보내기
    ```

사용 가능한 YOLOv8 내보내기 형식은 아래 표에 나와 있습니다. 내보내기 완료 후 사용 예시는 모델에 대해 보여줍니다.

형식	`format` 인수	모델	메타데이터	인수
PyTorch	-	`yolov8n.pt`	✅	-
TorchScript	`torchscript`	`yolov8n.torchscript`	✅	`imgsz`, `optimize`
ONNX	`onnx`	`yolov8n.onnx`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `opset`
OpenVINO	`openvino`	`yolov8n_openvino_model/`	✅	`imgsz`, `half`
TensorRT	`engine`	`yolov8n.engine`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `workspace`
CoreML	`coreml`	`yolov8n.mlpackage`	✅	`imgsz`, `half`, `int8`, `nms`
TF SavedModel	`saved_model`	`yolov8n_saved_model/`	✅	`imgsz`, `keras`
TF GraphDef	`pb`	`yolov8n.pb`	❌	`imgsz`
TF Lite	`tflite`	`yolov8n.tflite`	✅	`imgsz`, `half`, `int8`
TF Edge TPU	`edgetpu`	`yolov8n_edgetpu.tflite`	✅	`imgsz`
TF.js	`tfjs`	`yolov8n_web_model/`	✅	`imgsz`
PaddlePaddle	`paddle`	`yolov8n_paddle_model/`	✅	`imgsz`
ncnn	`ncnn`	`yolov8n_ncnn_model/`	✅	`imgsz`, `half`

전체 'export' 세부 사항은 Export 페이지에서 확인하세요.

12 KiB Raw Blame History

객체 감지

모델

훈련

데이터셋 형식

검증

예측

내보내기

12 KiB

Raw Blame History