YOLOv11

YOLOv11의 주요 기능

향상된 특징 추출
YOLOv11은 개선된 백본과 넥 아키텍처를 사용하여 특징 추출 능력을 크게 향상시킴.
복잡한 시각 작업도 정확하게 처리할 수 있습니다.
최적화된 효율성과 속도
YOLOv11은 아키텍처 설계를 개선하고 학습 파이프라인을 최적화하여 더 빠른 처리 속도를 제공합니다. 이를 통해 실시간 및 대규모 애플리케이션 모두에서 높은 정확도를 유지하면서 빠른 속도로 동작합니다.
더 적은 파라미터로 높은 정확도
YOLOv11의 중간 크기 모델인 YOLOv11m은 COCO 데이터셋에서 더 적은 파라미터(22% 감소)를 사용하면서도 더 높은 mAP(평균 정확도)를 기록합니다. 이는 연산 효율성을 높이면서도 성능 저하 없이 높은 정확도를 유지합니다.
다양한 환경에서의 적응성
YOLOv11은 엣지 디바이스, 클라우드 플랫폼, 또는 NVIDIA GPU 기반 시스템 등 다양한 배포 시나리오에서 유연하게 사용할 수 있습니다.
광범위한 작업 지원
YOLOv11은 전통적인 객체 탐지 외에도 인스턴스 분할, 이미지 분류, 자세 추정, 방향 객체 탐지(OBB) 등을 지원합니다. 이로 인해 다양한 컴퓨터 비전 과제를 해결할 수 있는 강력한 도구로 자리매김합니다.

YOLOv11x와 YOLOv11n은 같은 YOLOv11 모델의 두 가지 변형으로, 각각 다른 목적에 최적화되어 있습니다. 이 중 어느 모델을 사용할지는 성능 요구사항과 리소스 제약에 따라 결정됩니다.

YOLOv11n (Nano) vs. YOLOv11x (Extra-large)

YOLOv11n (Nano)
- 특징: YOLOv11n은 가장 가벼운 모델로, 매우 빠른 속도를 제공하면서도 비교적 적당한 정확도를 목표로 설계되었습니다.
- 적용 사례: 실시간 처리나 경량화된 장치에서 주로 사용됩니다. 예를 들어, 모바일 장치, 엣지 컴퓨팅 환경, 임베디드 시스템 등에서 실시간으로 객체를 탐지해야 하는 경우에 적합합니다.
- 장점: 빠른 처리 속도, 낮은 계산 자원 요구(메모리 및 GPU/CPU 사용량이 적음).
- 단점: 상대적으로 낮은 정확도.
YOLOv11x (Extra-large)
- 특징: YOLOv11x는 가장 큰 변형으로, 높은 정확도를 목표로 설계되었습니다. 더 깊고 복잡한 네트워크 구조를 가지고 있어 더 많은 파라미터와 계산을 수행합니다.
- 적용 사례: 고성능 하드웨어(GPU)를 활용할 수 있으며, 최고의 정확도를 요구하는 고해상도 이미지 또는 복잡한 객체 탐지 작업에 적합합니다. 자원이 충분한 상황에서 정밀한 분석을 수행할 때 적합합니다.
- 장점: 더 높은 정확도와 성능.
- 단점: 계산 비용과 처리 시간이 많이 소요됨. 리소스가 부족한 환경에서는 사용이 어려울 수 있음.

YOLOv11x를 사용해야 하는 이유

정확도가 매우 중요한 경우: YOLOv11x는 YOLOv11 모델 중 가장 높은 정확도를 제공합니다. 특히, 다양한 클래스 간 구분이 필요한 복잡한 객체 탐지 작업에 적합합니다.
고성능 GPU가 있는 경우: YOLOv11x는 처리 시간이 길고 더 많은 자원을 소모하지만, 고성능 하드웨어를 활용할 수 있다면 매우 강력한 성능을 발휘합니다.
비실시간 작업: 처리 속도보다는 정확한 탐지가 중요한 경우, 예를 들어 이미지 후처리, 비디오 분석 등의 작업에 적합합니다.

YOLOv11n을 고려해야 하는 경우

리소스가 제한적인 환경: 만약 모바일이나 엣지 컴퓨팅 환경에서 실시간으로 빠른 추론이 필요하다면, YOLOv11n은 훌륭한 선택입니다. 속도가 빠르고 경량화되어 있어 저사양 하드웨어에서도 원활하게 작동합니다.
실시간 애플리케이션: 매우 빠른 속도와 낮은 지연 시간이 중요한 경우, YOLOv11n은 더 나은 선택이 될 수 있습니다. 예를 들어, 실시간 객체 추적이나 영상 스트리밍 중 객체 탐지와 같은 상황에서 유리합니다.

YOLOv11을 이용한 이미지 객체 탐지 방법

1. 필요한 라이브러리 설치

pip install opencv-python ultralytics

2. 라이브러리 불러오기

import cv2
from ultralytics import YOLO

3. 모델 선택

model = YOLO("yolo11x.pt")

YOLOv11의 다양한 모델을 비교할 수 있으며, 여기서는 yolo11x.pt 모델을 선택했습니다.

4. 이미지에서 객체를 예측하고 탐지하는 함수 작성

def predict(chosen_model, img, classes=[], conf=0.5):
    if classes:
        results = chosen_model.predict(img, classes=classes, conf=conf)
    else:
        results = chosen_model.predict(img, conf=conf)

    return results

def predict_and_detect(chosen_model, img, classes=[], conf=0.5, rectangle_thickness=2, text_thickness=1):
    results = predict(chosen_model, img, classes, conf=conf)
    for result in results:
        for box in result.boxes:
            cv2.rectangle(img, (int(box.xyxy[0][0]), int(box.xyxy[0][1])),
                          (int(box.xyxy[0][2]), int(box.xyxy[0][3])), (255, 0, 0), rectangle_thickness)
            cv2.putText(img, f"{result.names[int(box.cls[0])]}",
                        (int(box.xyxy[0][0]), int(box.xyxy[0][1]) - 10),
                        cv2.FONT_HERSHEY_PLAIN, 1, (255, 0, 0), text_thickness)
    return img, results

5. YOLOv11을 사용한 이미지 객체 탐지

# 이미지 불러오기
image = cv2.imread("YourImagePath.png")
result_img, _ = predict_and_detect(model, image, classes=[], conf=0.5)

특정 클래스만 탐지하려면 클래스 ID를 classes 리스트에 넣으면 됩니다.

6. 결과 이미지 저장 및 출력

cv2.imshow("Image", result_img)
cv2.imwrite("YourSavePath.png", result_img)
cv2.waitKey(0)

전체 코드

from ultralytics import YOLO
import cv2

def predict(chosen_model, img, classes=[], conf=0.5):
    if classes:
        results = chosen_model.predict(img, classes=classes, conf=conf)
    else:
        results = chosen_model.predict(img, conf=conf)
    return results

def predict_and_detect(chosen_model, img, classes=[], conf=0.5, rectangle_thickness=2, text_thickness=1):
    results = predict(chosen_model, img, classes, conf=conf)
    for result in results:
        for box in result.boxes:
            cv2.rectangle(img, (int(box.xyxy[0][0]), int(box.xyxy[0][1])),
                          (int(box.xyxy[0][2]), int(box.xyxy[0][3])), (255, 0, 0), rectangle_thickness)
            cv2.putText(img, f"{result.names[int(box.cls[0])]}",
                        (int(box.xyxy[0][0]), int(box.xyxy[0][1]) - 10),
                        cv2.FONT_HERSHEY_PLAIN, 1, (255, 0, 0), text_thickness)
    return img, results

model = YOLO("yolo11x.pt")
image = cv2.imread("YourImagePath.png")
result_img, _ = predict_and_detect(model, image, classes=[], conf=0.5)
cv2.imshow("Image", result_img)
cv2.imwrite("YourSavePath.png", result_img)
cv2.waitKey(0)

COCO 형식 주석을 YOLO 형식으로 변환

COCO 형식의 train.json 및 test.json 파일을 YOLO 형식의 .txt 파일로 변환합니다.
(COCO 형식에서 클래스 ID는 1부터 시작하기 때문에 YOLO에서 사용하는 0부터 시작하는 방식으로 맞추기 위해 -1을 해줍니다.)

명령어

python /data/ephemeral/home/cv-21/yolov11/utils/convert_json_to_yolo.py

YOLO 형식, 각 이미지마다 .txt 파일이 생성되었습니다.

데이터 출력 확인은 변환된 .txt 파일에 실제로 클래스 ID와 바운딩 박스 정보가 제대로 저장되었는지 확인하면 됩니다.

변환이 제대로 완료되면 .txt 파일 예시입니다. 0 0.5 0.5 0.2 0.3 1 0.4 0.6 0.1 0.1
각 줄은 개별 객체의 정보를 나타내며, 형식은 [class_id] [x_center] [y_center] [width] [height] 입니다.

x_center, y_center: 바운딩 박스의 중심 좌표 (이미지 크기에 정규화된 값, 즉 0~1 사이의 값)
width, height: 바운딩 박스의 너비와 높이 (역시 이미지 크기에 정규화된 값)

위와 같은 포맷으로 클래스 ID와 바운딩 박스 정보가 저장되어야 모델이 정상적으로 학습할 수 있습니다.

<class_id> <x_center> <y_center> <width> <height>

명령어

python train.py --data config/dataset.yaml --weights models/yolo11x.pt --epochs 50 --img-size 512 --batch-size 16

YOLO와 MMDetection의 구조가 다르기 때문에, inference.py를 YOLO에 맞게 수정할 필요가 있습니다. YOLOv11을 기반으로 inference 및 CSV 파일 생성을 위한 코드를 작성하려면, 모델을 불러오고, 테스트 데이터를 처리한 후, 결과를 CSV 파일로 출력하는 부분을 구성해야 합니다.

MMDetection에서는 single_gpu_test와 같은 유틸리티 함수가 제공되지만, YOLO에서는 직접 모델을 사용하여 예측값을 추론하고 결과를 파일로 저장하는 방식을 사용해야 합니다. YOLO의 경우 보통 detect.py나 비슷한 스크립트를 사용하여 추론을 수행합니다.

아래는 YOLOv11의 추론 결과를 CSV 파일로 저장하는 Python 코드 예시입니다.

YOLOv11은 기존의 YOLO 기반 모델과 다를 수 있지만, YOLO 스타일 모델에서는 기본적으로 inference.py 스크립트를 사용하여 훈련된 모델을 불러오고 이미지나 비디오에서 객체를 감지한 후 결과를 저장할 수 있습니다.

다음은 YOLOv11을 위한 inference.py 스크립트 예시로, 모델을 사용하여 테스트 이미지를 감지하고 그 결과를 CSV 파일로 저장하는 코드입니다. 이 코드는 기본적으로 YOLOv5의 흐름을 기반으로 하지만, YOLOv11의 구조에 맞게 수정하였습니다.

`inference.py` (YOLOv11 기반)

주요 포인트:

모델 로드: torch.load를 사용하여 YOLOv11 모델을 로드합니다. YOLOv11에 맞는 모델 경로 및 구조를 사용합니다.
데이터셋 로드: LoadImages는 이미지 데이터를 로드하는 역할을 하며, 이미지나 비디오를 불러옵니다.
추론 및 NMS 적용: 모델 추론 결과에 대해 non_max_suppression을 적용하여 중복된 감지 결과를 제거합니다.
결과 저장: 추론 결과를 pandas.DataFrame으로 만들어 CSV 파일로 저장합니다.

사용 방법:

터미널에서 아래 명령어를 실행하여 모델을 사용해 객체를 감지하고 결과를 CSV 파일로 저장합니다.
```
python detect.py --weights weights/best.pt --source data/test --save-csv-path output.csv
```

이 코드에서 models.yolo, utils.datasets, utils.general, utils.torch_utils가 YOLOv11에서 적합한지 확인한 후 경로와 모듈명을 수정하거나 해당 모듈을 사용해야 합니다.