40분
YOLO11 환경 구성 & 기본 추론 실습
Day 3: YOLO 객체 탐지
YOLO11 환경 구성 & 기본 추론 실습
비전 AI — 제조 외관검사 시스템 > Day 3: YOLO 객체 탐지
학습 목표
Ultralytics YOLO11을 설치하고 사전학습 모델로 추론할 수 있다 추론 결과(바운딩 박스, 신뢰도, 클래스)를 해석할 수 있다 YOLO11의 다양한 모델 크기(n/s/m/l/x)를 비교할 수 있다
YOLO11 시작하기
Ultralytics의 YOLO11은 3줄의 코드로 객체 탐지를 시작할 수 있다.
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?