동영상에서 추론 실행

예제: 동영상 파일에서 Predict 실행#

동영상에도 이미지와 동일한 Predict 모드를 사용합니다. 이 62프레임 클립에는 아트리움을 가로지르는 사람들이 담겨 있습니다:

yolo predict model=yolo26n.pt source=https://github.com/ultralytics/assets/releases/download/v0.0.0/solutions_ci_demo.mp4

video 1/1 (frame 1/62) solutions_ci_demo.mp4: 384x640 22 persons, 27.3ms
...
video 1/1 (frame 62/62) solutions_ci_demo.mp4: 384x640 22 persons, 54.8ms
Results saved to runs/detect/predict

• frame 1/62: Ultralytics가 동영상을 디코딩하고 각 프레임을 이미지처럼 처리합니다.
• 22 persons: 해당 프레임의 감지 결과입니다. 같은 보행자가 프레임마다 다시 집계됩니다.
• 27.3ms ... 54.8ms: 머신에서 실행 중인 다른 작업에 따라 프레임별 처리 시간이 달라집니다.

주석이 추가된 동영상은 runs/detect/predict/solutions_ci_demo.mp4입니다. 직접 만든 모델도 같은 방식으로 작동합니다. yolo26n.pt을 runs/detect/pills_v1/weights/best.pt로 바꾸면 됩니다.

긴 입력 및 실시간 입력 스트리밍#

감지 결과에 따라 동작하는 코드를 작성하려면 스트림을 반복 처리합니다. 각 반복에서 프레임 하나의 Results을 얻은 다음 폐기합니다:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
source = "https://github.com/ultralytics/assets/releases/download/v0.0.0/solutions_ci_demo.mp4"

frames, people = 0, 0
for result in model(source, stream=True, classes=[0], verbose=False):  # one Results object per frame
    frames += 1
    people += len(result.boxes)
print(f"{frames} frames, {people / frames:.1f} people per frame")

62 frames, 22.2 people per frame

같은 루프에서 웹캠 인덱스(source=0)나 rtsp://camera.local/stream과 같은 카메라 URL을 사용할 수 있으며, 스트림이 끝나거나 직접 중지할 때까지 실행됩니다. 매 두 번째 프레임만 처리하려면 vid_stride=2를 추가합니다. 이 루프를 감싸는 브라우저 UI를 만들려면 Streamlit 실시간 추론 가이드에서 루프를 앱으로 구성하는 방법을 확인하세요.

예제: 각 사람을 한 번씩만 세기#

"프레임당 22명"은 원하는 수치가 아닙니다. 원하는 수치는 "몇 명이 지나갔는가"입니다. 다중 객체 추적은 프레임 간에 바운딩 박스를 연결하며, Track 모드는 boxes.id에서 각 객체에 ID를 부여합니다:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
source = "https://github.com/ultralytics/assets/releases/download/v0.0.0/solutions_ci_demo.mp4"

seen = set()
for result in model.track(source, stream=True, persist=True, classes=[0], tracker="bytetrack.yaml", verbose=False):
    if result.boxes.is_track:
        seen.update(result.boxes.id.int().tolist())
print(f"{len(seen)} unique people tracked")

32 unique people tracked

트랙이 아직 확인되지 않은 프레임에서는 is_track이 False이고, boxes.id는 None입니다. ID를 사용해 객체 수를 세거나, 이동 경로를 추적하거나, "이 객체가 3초 동안 여기에 있었다"와 같은 로직을 구현할 수 있습니다.

tracker을 지정하지 않으면 Ultralytics는 현재 기본값인 tracktrack.yaml을 사용합니다. Track 모드에는 ocsort.yaml, deepocsort.yaml, fasttrack.yaml도 포함됩니다. 추적기를 선택하고 튜닝하는 방법과 추적기를 기반으로 객체 수 세기, 히트맵, 속도 추정을 구현하는 방법은 ByteTrack, BoT-SORT, TrackTrack으로 객체 추적하기에서 다룹니다.

예제: 직접 카메라 루프 작성#

실제 애플리케이션에서는 프레임을 직접 읽어 크기 조정, 자르기, 타임스탬프 추가, 다른 코드와 카메라 공유 등을 수행한 다음 각 프레임을 모델에 전달하는 경우가 많습니다. 이때 persist=True이 호출 간에 추적기를 유지합니다:

import cv2

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
cap = cv2.VideoCapture("solutions_ci_demo.mp4")  # saved locally by the commands above; or 0, or an rtsp:// URL

seen = set()
while cap.isOpened():
    ok, frame = cap.read()
    if not ok:
        break
    result = model.track(frame, persist=True, classes=[0], tracker="bytetrack.yaml", verbose=False)[0]
    if result.boxes.is_track:
        seen.update(result.boxes.id.int().tolist())
cap.release()
print(f"{len(seen)} unique people, highest ID {max(seen)}")

32 unique people, highest ID 67

track.py과 동일한 32명입니다. 가장 높은 ID는 32가 아니라 67입니다. 추적기는 확인되지 않은 잠정 트랙에도 ID를 할당하므로 ID에 간격이 생깁니다.

입력 속도 따라가기#

30 FPS 카메라는 33ms마다 프레임을 전달하며, 실제 처리 속도는 디코딩, 추론, 저장 중 가장 느린 단계에 의해 결정됩니다. 노트북 CPU에서 yolo26n은 실행 중인 다른 작업에 따라 384×640 프레임당 26~46ms가 걸렸습니다. 예산에 근접하거나 이를 넘는 수준이어서 여유가 없습니다. 처리 속도가 입력 속도를 따라가지 못하면 다음 순서로 조정해 보세요:

여러 카메라를 동시에 처리하는 방법과 관련 스레딩은 다중 스트림 추론에서 다룹니다.

이런 실수는 피하세요#