ultralytics/docs/ko/models/index.md

comments	description	keywords
true	Ultralytics가 지원하는 다양한 YOLO 계열 모델, SAM, MobileSAM, FastSAM, YOLO-NAS, RT-DETR에 대해 알아보고 CLI와 Python 사용 예제를 통해 시작하세요.	Ultralytics, 문서화, YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS, RT-DETR, 모델, 아키텍처, Python, CLI

Ultralytics가 지원하는 모델들

Ultralytics 모델 문서에 오신 것을 환영합니다! 우리는 객체 감지, 인스턴스 분할, 이미지 분류, 자세 추정, 다중 객체 추적과 같은 특정 작업에 맞춰진 다양한 범위의 모델을 지원합니다. Ultralytics에 모델 아키텍처를 기여하고 싶다면, 기여 가이드를 확인해 보세요.

!!! Note "주의사항"

🚧 현재 다양한 언어로 된 문서 작업이 진행 중이며, 이를 개선하기 위해 열심히 노력하고 있습니다. 인내해 주셔서 감사합니다! 🙏

주요 모델들

다음은 지원되는 핵심 모델 목록입니다:

1. YOLOv3: Joseph Redmon에 의해 최초로 만들어진 YOLO 모델 패밀리의 세 번째 버전으로, 효율적인 실시간 객체 감지 능력으로 알려져 있습니다.
2. YOLOv4: 2020년 Alexey Bochkovskiy가 발표한 YOLOv3의 다크넷 기반 업데이트 버전입니다.
3. YOLOv5: Ultralytics에 의해 향상된 YOLO 아키텍처로, 이전 버전들에 비해 더 나은 성능과 속도 트레이드오프를 제공합니다.
4. YOLOv6: 미투안에서 2022년에 발표하여, 회사의 자율 주행 배달 로봇에서 많이 사용되고 있습니다.
5. YOLOv7: YOLOv4의 저자들에 의해 2022년에 업데이트된 YOLO 모델들입니다.
6. YOLOv8 새로운 🚀: YOLO 패밀리의 최신 버전으로, 인스턴스 분할, 자세/키포인트 추정, 분류 등 향상된 기능을 제공합니다.
7. Segment Anything Model (SAM): 메타의 Segment Anything Model (SAM)입니다.
8. Mobile Segment Anything Model (MobileSAM): 경희대학교에서 모바일 어플리케이션을 위해 개발한 MobileSAM입니다.
9. Fast Segment Anything Model (FastSAM): 중국 과학원 자동화 연구소의 이미지 및 비디오 분석 그룹에 의해 개발된 FastSAM입니다.
10. YOLO-NAS: YOLO Neural Architecture Search (NAS) 모델들입니다.
11. Realtime Detection Transformers (RT-DETR): 바이두의 PaddlePaddle Realtime Detection Transformer (RT-DETR) 모델들입니다.

시청하기: 몇 줄의 코드로 Ultralytics YOLO 모델을 실행하세요.

시작하기: 사용 예제

이 예제는 YOLO 학습과 추론에 대한 간단한 예제를 제공합니다. 이에 대한 전체 문서는 예측, 학습, 검증, 내보내기 문서 페이지에서 확인할 수 있습니다.

아래 예제는 객체 감지를 위한 YOLOv8 감지 모델에 대한 것입니다. 추가적으로 지원되는 작업들은 분할, 분류, 자세 문서를 참조하세요.

!!! Example "예제"

=== "Python"

    PyTorch로 사전 학습된 `*.pt` 모델들과 구성 `*.yaml` 파일들은 `YOLO()`, `SAM()`, `NAS()`, `RTDETR()` 클래스에 전달하여 파이썬에서 모델 인스턴스를 생성할 수 있습니다:

    ```python
    from ultralytics import YOLO

    # COCO로 사전 학습된 YOLOv8n 모델 불러오기
    model = YOLO('yolov8n.pt')

    # 모델 정보 표시 (선택사항)
    model.info()

    # COCO8 예제 데이터셋에 대해 100 에포크 동안 모델 학습
    results = model.train(data='coco8.yaml', epochs=100, imgsz=640)

    # 'bus.jpg' 이미지에 대한 YOLOv8n 모델 추론 실행
    results = model('path/to/bus.jpg')
    ```

=== "CLI"

    모델을 직접 실행하기 위한 CLI 명령어가 제공됩니다:

    ```bash
    # COCO로 사전 학습된 YOLOv8n 모델을 불러와 COCO8 예제 데이터셋에서 100 에포크 동안 학습
    yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

    # COCO로 사전 학습된 YOLOv8n 모델을 불러와 'bus.jpg' 이미지에 대한 추론 실행
    yolo predict model=yolov8n.pt source=path/to/bus.jpg
    ```

새로운 모델 기여하기

Ultralytics에 여러분의 모델을 기여하고 싶으신가요? 훌륭합니다! 우리는 항상 모델 포트폴리오를 확장하는 것에 열려 있습니다.

1. 저장소 포크하기: Ultralytics GitHub 저장소를 포크하여 시작합니다.

2. 포크 복제하기: 포크한 저장소를 로컬 기계에 복제하고 새로운 브랜치를 생성하여 작업합니다.

3. 모델 구현하기: 우리의 기여 가이드에 제공된 코딩 표준 및 가이드라인을 따라 모델을 추가합니다.

4. 철저히 테스트하기: 독립적으로뿐만 아니라 파이프라인의 일부로도 모델을 철저히 테스트해야 합니다.

5. 풀 리퀘스트 생성하기: 모델에 만족하게 되면, 리뷰를 위해 메인 저장소에 풀 리퀘스트를 생성합니다.

6. 코드 리뷰 & 병합: 리뷰 후, 여러분의 모델이 우리 기준에 부합한다면 메인 저장소에 병합됩니다.

자세한 단계는 기여 가이드를 참조해주십시오.