객체 탐지

# pip install ultralytics

from ultralytics import YOLO
import cv2

# YOLOv8 모델 로드 (nano 버전 - 가장 빠름)
model = YOLO('yolov8n.pt')

# 이미지에서 객체 탐지
image_path = 'street.jpg'
results = model(image_path)

# 결과 처리
for result in results:
    boxes = result.boxes  # 바운딩 박스

    for box in boxes:
        # 좌표 추출 (x1, y1, x2, y2)
        x1, y1, x2, y2 = box.xyxy[0].tolist()

        # 클래스와 신뢰도
        cls_id = int(box.cls[0])
        cls_name = model.names[cls_id]
        confidence = float(box.conf[0])

        print(f"객체: {cls_name}")
        print(f"  위치: ({x1:.0f}, {y1:.0f}) - ({x2:.0f}, {y2:.0f})")
        print(f"  신뢰도: {confidence:.2%}")

# 결과 이미지 저장
result_img = results[0].plot()  # 바운딩 박스가 그려진 이미지
cv2.imwrite('result.jpg', result_img)

# 실시간 웹캠 탐지
# results = model(source=0, show=True, stream=True)  # 웹캠

# 출력 예시:
# 객체: car
#   위치: (120, 200) - (450, 380)
#   신뢰도: 94.32%

# 커스텀 학습 - YOLO 포맷 데이터셋 필요
# data.yaml 예시:
# path: /data/custom_dataset
# train: images/train
# val: images/val
# names:
#   0: helmet
#   1: vest
#   2: person

from ultralytics import YOLO

# 사전학습된 모델로 시작
model = YOLO('yolov8n.pt')

# Fine-tuning
results = model.train(
    data='data.yaml',
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,  # GPU 0번
    workers=8,
    patience=20,  # Early stopping
    augment=True,
    mosaic=1.0,  # 모자이크 어그멘테이션
    mixup=0.1
)

# 검증
metrics = model.val()
print(f"mAP@0.5: {metrics.box.map50:.3f}")
print(f"mAP@0.5:0.95: {metrics.box.map:.3f}")

# ONNX 내보내기 (엣지 배포용)
model.export(format='onnx', imgsz=640, simplify=True)

# TensorRT 내보내기 (NVIDIA GPU 최적화)
model.export(format='engine', imgsz=640, half=True)  # FP16