Detection을 넘어: Segment, Pose, OBB 및 Classify

객체 detection 모델을 학습할 수 있습니다. Ultralytics YOLO는 7가지 비전 작업을 지원하며, 이 과정에서는 detection 이후 가장 자주 접하게 되는 다섯 가지인 인스턴스 및 시맨틱 세그멘테이션, 포즈, 방향 지정 바운딩 박스, 분류를 다룹니다. 라벨 형식과 학습부터 코드에서 결과를 읽고 모델을 연결하는 방법, 작업별 평가 및 내보내기까지 학습합니다. 일곱 번째 작업인 깊이 추정은 작업 계획과 평가 및 내보내기 강의에 포함됩니다.

작성자 Ultralytics Academy

강좌 시작 진행 상황을 저장하려면 로그인하세요

학습 내용

제품 요구사항에 적합한 Ultralytics YOLO26 작업을 선택한 다음, 세그멘테이션, 시맨틱, 포즈, OBB 및 분류 모델의 라벨 지정, 학습, 결과 확인, 평가, 내보내기를 수행하고, detection 모델로는 답할 수 없는 질문에 답하는 파이프라인으로 연결합니다.

제품 요구사항을 7가지 Ultralytics YOLO 작업 중 하나, 해당 가중치, 결과 필드 및 판정 기준 지표에 연결합니다.
학습 전에 폴리곤, PNG 클래스 맵, 키포인트, 4개 꼭짓점 OBB 및 폴더 구조 데이터 세트를 작성하고 검토합니다.
-seg, -sem, -pose, -obb, -cls 모델을 학습하고 마스크 mAP, mIoU, OKS 기반 포즈 mAP, 회전 박스 mAP, top-1 정확도를 확인합니다.
예측 결과를 의사결정으로 전환합니다. 마스크 영역과 중첩도, 클래스 맵 커버리지, 관절 각도, 선박의 선수 방향, 신뢰도에 따라 라우팅된 라벨을 확인합니다.
작업을 연쇄적으로 연결하고(탐지 후 분류, 포즈와 추적), 비용을 일정하게 유지하며, 검증된 예측 결과와 함께 모든 작업을 ONNX로 내보냅니다.

만들게 될 결과물

파이프라인의 각 모델에 대해 작업, 가중치, 라벨 형식, 결과 필드, 게이팅 지표를 명시하는 작업 계획입니다.
GPU를 한 시간 사용하기 전에 형식이 잘못된 행을 찾아내는 세그멘테이션 및 포즈 데이터셋용 라벨 검사기입니다.
세그멘테이션, 시맨틱 세그멘테이션, 포즈, OBB, 분류를 위한 1에폭 학습 실행이며 각 지표를 설명합니다.
실제 예측 결과에서 마스크 영역과 중첩도, 보행 가능 표면, 팔꿈치와 무릎 각도, 선박 축을 측정하는 스크립트입니다.
추적된 각 인물을 한 번만 분류하는 2단계 파이프라인과, 예측 결과로 각각 검증된 모든 작업의 ONNX 내보내기입니다.

선수 조건

첫 YOLO 모델 학습하기를 완료하세요. 이 과정에서는 이미 탐지 모델을 학습하고, 검증하고, 예측할 수 있다고 가정합니다.
Python 및 NumPy 배열을 능숙하게 다룹니다.
GPU가 있으면 도움이 되지만 필수는 아닙니다. 모든 예제는 노트북 CPU에서 epochs=1과 소형 imgsz로 실행됩니다.

강좌 콘텐츠

모듈 4개 · 레슨 10개

모듈 1

계획

작업을 선택하고 파이프라인 계획하기

각 제품 관련 질문을 7가지 Ultralytics YOLO 작업 중 하나에 연결하고, 해당 작업의 가중치, 결과 필드, 라벨 형식, 게이팅 지표를 정한 다음, 이미지 한 장에서 모든 작업을 실행해 계획을 검증합니다.

모듈 2

세그멘트

인스턴스 세그멘테이션 라벨 지정 및 학습

폴리곤 라벨을 작성하고 코드에서 확인한 다음, COCO8-seg에서 yolo26n-seg.pt를 학습하고 박스 메트릭과 마스크 메트릭 간 격차를 바탕으로 모델을 진단합니다.

코드에서 마스크 사용하기: 면적, 겹침, 윤곽, 분리 이미지

masks.data와 masks.xy를 올바르게 읽고, 객체 면적과 채움 비율을 측정하며, 박스 대신 마스크로 겹침을 테스트하고 프레임에서 객체를 분리합니다.

시맨틱 세그멘테이션: 모든 픽셀에 레이블 지정

yolo26n-sem.pt로 픽셀별 클래스 맵을 예측하고, 이를 커버리지 수치로 변환하고, PNG 클래스 맵 데이터셋을 구축한 다음, 픽셀 정확도에 현혹되지 않고 mIoU를 확인합니다.

모듈 3

포즈 및 OBB

포즈 모델 레이블 지정 및 학습

가시성 정보와 함께 키포인트 레이블을 작성하고, kpt_shape와 flip_idx를 올바르게 설정한 다음, COCO8-pose로 학습하고, 키포인트를 신뢰도 기준을 적용한 관절 각도로 변환합니다.

사용자 정의 키포인트 및 OKS 지표

비인체 객체용 키포인트 스키마를 설계하고, 데이터셋 YAML을 작성 및 검사하며, 각 포인트의 배치 정밀도를 바탕으로 OKS 시그마를 설정합니다.

회전된 객체의 방향성 바운딩 박스

네 꼭짓점 OBB에 라벨을 붙이고, DOTA8에서 yolo26n-obb.pt를 학습하며, 각도 규칙에 혼동되지 않도록 xywhr 예측값을 안정적인 방향 축으로 변환합니다.

모듈 4

분류하고, 결합하고, 배포하기

이미지 분류기 학습하기

폴더 데이터셋을 구성하고, MNIST160으로 yolo26n-cls.pt를 학습하고, 확률과 top-1 정확도를 확인한 다음, 신뢰도가 낮은 예측을 사람의 검토로 전달합니다.

하나의 파이프라인에서 작업 결합하기

탐지 후 분류 캐스케이드를 구성하고, 모든 프레임에서 분류하는 대신 추적된 객체를 각각 한 번씩 분류하며, 포즈 키포인트를 사람별 시계열 데이터로 변환합니다.

모든 작업 평가 및 배포

각 작업을 배포 크기에서 자체 메트릭으로 평가하고, 하나의 루프에서 모든 작업을 검증한 다음, 검증된 예측 결과와 함께 모든 작업을 ONNX로 내보냅니다.

Get Started

Detection을 넘어: Segment, Pose, OBB 및 Classify

강좌 콘텐츠