Ultralytics YOLO27: 대기자 명단에 등록하세요.
Get Started
pip 설치부터 배포 가능한 사용자 지정 탐지 모델까지
기초 과정 학습 경로초급 약 4시간 레슨 10개최종 시험 · 수료증

첫 YOLO 모델 학습하기

Ultralytics YOLO26을 새로 설치하는 단계부터 사용자 지정 학습, 검증, 내보내기를 마친 탐지 모델까지 진행합니다. 이미지에 대해 예측하고, 실제 데이터셋을 구성하고, 필(pill) 탐지 모델을 학습하고 진단하며, 추적 기능을 사용해 비디오에서 모델을 실행하고, PyTorch와 일치한다는 증거를 확인하며 ONNX로 내보냅니다. 모든 단계는 실제 출력 결과와 함께 노트북 CPU에서 Python 및 CLI로 실행됩니다. 데이터셋 계획, 수집, 라벨링은 Building High-Performance YOLO Datasets에서 다룹니다.

작성자 Ultralytics Academy

강좌 시작진행 상황을 저장하려면 로그인하세요
학습 내용

사용자 지정 데이터셋으로 Ultralytics YOLO26 모델을 학습, 검증, 내보내고, 비디오에서 실행하며, 문제가 발생했을 때 Python과 명령줄에서 각 단계를 진단하는 방법을 알아봅니다.

  • Ultralytics를 설치하고 사용할 디바이스를 확인한 다음, Python과 CLI에서 YOLO26 예측을 실행합니다.

  • 리더보드가 아니라 측정된 지연 시간 예산을 기준으로 모델 크기를 선택합니다.

  • Ultralytics YOLO 형식으로 데이터셋을 구성하고, 라벨을 변환하며, 어디서나 확인 가능한 data.yaml을 작성합니다.

  • 학습, 검증, 재개 및 웜 스타트 실행을 수행하고, 검증 아티팩트를 수정 목록으로 변환합니다.

  • 비디오를 스트리밍하고 추적한 다음 ONNX, TensorRT, OpenVINO 등으로 내보내고, 내보낸 모델이 PyTorch와 일치하는지 확인합니다.

만들게 될 결과물

  • Ultralytics가 손상된 라벨 없이 읽을 수 있는 data.yaml을 포함한 YOLO 형식의 필 데이터셋입니다.

  • 학습된 best.pt 탐지 모델과 사전 학습 기준 모델의 검증 수치입니다.

  • 추적 기능으로 고유 객체 수를 세고 프레임 레이트를 따라가는지 확인하는 스트리밍 비디오 스크립트입니다.

  • 동일한 설정에서 탐지 결과와 mAP가 PyTorch 모델과 일치하는 ONNX 내보내기 결과물입니다.

선수 조건

  • Python 3.10 이상, Python 스크립트 및 셸 명령 실행에 익숙해야 합니다.

  • GPU는 필요하지 않습니다. 이 과정의 모든 예제는 노트북 CPU에서 몇 분 안에 실행됩니다. NVIDIA GPU 또는 Apple Silicon을 사용하면 더 큰 규모의 실행이 빨라집니다.

  • 권장 사항: 먼저 Computer Vision Foundations와 Building High-Performance YOLO Datasets를 완료하세요.

강좌 콘텐츠

모듈 5개 · 레슨 10개

모듈 1

설정
1

Ultralytics 설치

깨끗한 환경에 Ultralytics를 설치하고, yolo checks 보고서에서 디바이스를 확인한 다음, 예측을 한 번 실행하여 설정이 올바른지 확인합니다.

모듈 2

예측
2

이미지 예측

Python에서 사전 학습된 YOLO26 모델을 실행하고, 결과에서 클래스, 신뢰도, 픽셀 좌표 상자를 확인한 다음 누락 대부분을 해결하는 인수를 조정합니다.

3

Ultralytics YOLO 모델 크기 선택하기

YOLO26 n, s, m, l, x를 비교하고 대상 하드웨어에서 벤치마크를 실행해 지연 시간 예산에 맞는 가장 작은 크기를 선택합니다.

모듈 3

데이터
4

사용자 지정 데이터셋 준비하기

이미지와 레이블을 Ultralytics YOLO 형식으로 구성하고, 픽셀 좌표 상자를 정규화된 레이블 행으로 변환한 뒤, 학습 전에 잘못된 레이블을 찾아냅니다.

5

데이터셋 YAML 작성하기

Ultralytics가 폴더를 찾고 클래스를 이름으로 표시할 수 있도록 data.yaml을 작성하고, 경로가 어디서든 올바르게 확인되도록 설정한 뒤 yolo val로 간단히 테스트하세요.

모듈 4

학습
6

첫 번째 모델 학습하기

한 번의 호출로 데이터셋에 YOLO26을 파인튜닝하고, 실시간 학습 로그를 한 줄씩 읽은 다음, 실행 폴더에서 best.pt와 주요 플롯을 찾으세요.

7

검증 및 진단

best.pt를 기준 모델과 비교해 검증하고, 혼동 행렬, 클래스별 수치, 예측 이미지를 살펴본 뒤 구체적인 수정 목록을 작성하세요.

8

재개 및 반복

중단된 실행을 정확히 재개하고, 실제로 적용되는 학습률로 best.pt에서 새 라운드를 웜 스타트한 다음 실행들을 나란히 비교합니다.

모듈 5

배포
9

동영상에서 추론 실행

동영상 파일과 실시간 카메라에서 YOLO26을 실행하고, 메모리 사용량을 제한하며, 객체를 추적해 각 객체를 한 번씩만 세고, 모델이 프레임 속도를 따라가는지 확인합니다.

10

배포를 위한 내보내기

best.pt를 ONNX, OpenVINO, TensorRT, CoreML, LiteRT 또는 QNN으로 내보낸 다음, 배포 전에 내보낸 모델과 PyTorch 모델이 일치하는지 확인합니다.