이미지 예측

모든 검출을 예측하고 출력하기#

소스에 대해 모델을 호출하면 Predict 모드가 실행되고 이미지마다 Results 객체 하나가 담긴 목록이 반환됩니다. 이미지가 한 장이면 results[0]을 읽습니다.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")

result = results[0]
for box in result.boxes:
    name = result.names[int(box.cls)]
    conf = float(box.conf)
    x1, y1, x2, y2 = box.xyxy[0].tolist()
    print(f"{name:>8} {conf:.2f}  ({x1:.0f}, {y1:.0f}) -> ({x2:.0f}, {y2:.0f})")

result.save("bus_annotated.jpg")

일반적인 로그 줄 뒤에 출력되는 predict.py의 실제 결과:

     bus 0.88  (0, 230) -> (803, 751)
  person 0.87  (49, 398) -> (240, 902)
  person 0.86  (223, 405) -> (345, 861)
  person 0.85  (670, 395) -> (810, 880)
  person 0.65  (0, 553) -> (60, 871)

결과 읽기:

• bus 0.88: 클래스 이름과 신뢰도입니다. 상자는 신뢰도가 높은 순서대로 정렬됩니다.
• (0, 230) -> (803, 751): 원본 810×1080 이미지에서 픽셀 단위로 표시한 왼쪽 위와 오른쪽 아래 모서리이며, 원점은 왼쪽 위입니다. 이 좌표를 그대로 사용해 자르거나 그릴 수 있습니다.
• person 0.65의 (0, 553): 왼쪽 가장자리에 잘려 있는 다섯 번째 사람은 점수가 낮습니다. 일부만 보이는 객체는 대개 점수가 낮습니다.

result.save()은 주석이 표시된 이미지를 저장하고, result.show()은 해당 이미지를 창에서 엽니다.

결과 객체의 내용 파악하기#

모든 작업은 동일한 Results 유형을 반환하며, 채워지는 필드만 다릅니다. 전체 항목은 Python 사용 가이드에서 확인할 수 있습니다.

객체 검출에서는 주로 바운딩 박스인 boxes이 필요합니다. result.summary()은 동일한 검출 결과를 일반 딕셔너리 목록으로 반환하므로 JSON API에 바로 사용할 수 있습니다.

예측 조정하기#

기본값은 대부분의 이미지에 적합합니다. 그렇지 않다면 인수를 한 번에 하나씩 변경하세요:

신뢰도는 검출 수뿐 아니라 결과 자체를 바꿉니다. 동일한 버스 이미지에서:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model("https://ultralytics.com/images/bus.jpg", conf=0.5, classes=[0])  # 4 persons
model("https://ultralytics.com/images/bus.jpg", conf=0.1)  # 사람 5명, 버스 1대, 정지 표지판 1개

conf=0.1에서는 모델이 확신하지 못했던 정지 표지판도 보고합니다. conf을 낮추면 모델이 거의 검출한 항목을 가장 빠르게 확인할 수 있습니다. 나머지 인수는 구성 참조에서 확인하세요.

예측 결과가 비어 있으면 다음 순서대로 확인하세요:

여러 이미지 실행하기#

목록, 폴더 또는 "photos/*.jpg"과 같은 glob을 전달합니다. Predict의 기본값은 batch=1입니다. batch를 설정하면 여러 이미지를 한 번에 모델에 전달할 수 있어 GPU에서 훨씬 빠릅니다:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
images = ["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/zidane.jpg"]
for result in model(images, batch=2):
    print(result.path, len(result.boxes), result.verbose())

image0.jpg 5 4 persons, 1 bus,
image1.jpg 3 2 persons, 1 tie,

이런 실수는 피하세요#