17분
YOLO11 환경 구성 & 기본 추론 실습
Day 3: YOLO 객체 탐지
YOLO11 환경 구성 & 기본 추론 실습
비전 AI 외관검사 > Day 3: YOLO 객체 탐지
학습 목표
- Ultralytics YOLO11 을 설치하고 사전학습 모델로 추론할 수 있다
- 추론 결과(바운딩 박스, 신뢰도, 클래스)를 해석할 수 있다
- COCO 사전학습 모델이 제조 결함을 왜 못 잡는지 직접 확인하고, 커스텀 학습이 필요한 이유를 설명할 수 있다
YOLO11 시작하기
Ultralytics 의 YOLO11 은 세 줄로 추론을 시작할 수 있다. 다만 여기서 부르는 것은 COCO 80 클래스로 학습된 모델이다. 사람·자동차·병 같은 것은 잡지만 스크래치·크랙·이물질은 배운 적이 없다. 이 과제에서 그 사실을 눈으로 확인하고, 그것이 다음 과제(커스텀 학습)의 출발점이 된다.
YOLO11 모델 크기
| 모델 | 파라미터 | mAP50-95 | 속도(ms) | 제조 용도 |
|---|---|---|---|---|
| yolo11n | 2.6M | 39.5 | 1.5 | 엣지 실시간 |
| yolo11s | 9.4M | 47.0 | 2.5 | 균형 |
| yolo11m | 20.1M | 51.5 | 4.7 | PC 검사 |
| yolo11l | 25.3M | 53.4 | 6.2 | 서버 정밀 |
| yolo11x | 56.9M | 54.7 | 11.3 | 최고 정밀 |
에디터 로딩 중...
핵심 포인트
- • YOLO11은 ultralytics 패키지로 3줄 코드 추론 가능
- • 모델 크기(n/s/m/l/x)는 정확도와 속도의 트레이드오프
- • YOLO 라벨 형식: class x_center y_center width height (0~1 정규화)
- • images/ 와 labels/ 디렉토리를 1:1 대응시키는 구조
AI로 학습하기 — 꿀팁
YOLO11 추론 파이프라인 스캐폴딩AI 학습 팁
AI에게 YOLO11 사전학습 모델로 제조 라인 이미지 배치 추론 파이프라인을 스캐폴딩하도록 요청하세요. 신뢰도 필터링과 결과 CSV 저장까지 포함해 받으세요.
Ultralytics YOLO11으로 제조 라인 이미지 폴더를 배치 추론하는 Python 파이프라인을 구현해줘. 이미지 디렉터리 순회, 신뢰도 0.5 이상 탐지 결과 필터링, 바운딩 박스 시각화 이미지 저장, 탐지 결과(파일명·클래스·신뢰도·좌표) CSV 저장을 포함해줘.
이 팁이 도움이 됐나요?