YOLO

# YOLO11 객체 탐지 예제 (Ultralytics)
from ultralytics import YOLO
import cv2

# ============================================
# 1. 모델 로드 및 추론
# ============================================
# 사전 학습된 YOLO11 모델 로드 (n, s, m, l, x 크기)
model = YOLO("yolo11n.pt")  # nano 버전 (가장 빠름)
# model = YOLO("yolo11s.pt")  # small
# model = YOLO("yolo11m.pt")  # medium
# model = YOLO("yolo11l.pt")  # large (정확도 최대)

# 이미지 추론
results = model("image.jpg")

# 결과 확인
for result in results:
    boxes = result.boxes  # 바운딩 박스
    print(f"탐지된 객체 수: {len(boxes)}")

    for box in boxes:
        # 좌표, 클래스, 신뢰도
        x1, y1, x2, y2 = box.xyxy[0].tolist()
        conf = box.conf[0].item()
        cls_id = int(box.cls[0].item())
        cls_name = model.names[cls_id]
        print(f"  - {cls_name}: {conf:.2f} at ({x1:.0f}, {y1:.0f}, {x2:.0f}, {y2:.0f})")

# 결과 시각화 및 저장
result.save("result.jpg")

# ============================================
# 2. 비디오/웹캠 실시간 추론
# ============================================
# 웹캠 실시간 탐지
results = model.predict(source=0, show=True, stream=True)
for r in results:
    pass  # 실시간 화면 표시

# 비디오 파일 처리
results = model.predict(
    source="video.mp4",
    save=True,            # 결과 저장
    conf=0.5,             # 신뢰도 임계값
    iou=0.45,             # NMS IoU 임계값
    device="cuda:0"       # GPU 사용
)

# ============================================
# 3. 커스텀 데이터셋 학습
# ============================================
# YAML 형식의 데이터셋 설정 필요
# data.yaml 예시:
# train: ./train/images
# val: ./val/images
# nc: 3  # 클래스 수
# names: ['cat', 'dog', 'bird']

model = YOLO("yolo11n.pt")  # 사전 학습 가중치로 시작

# 학습 시작
results = model.train(
    data="data.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device="cuda:0",
    patience=20,          # Early stopping
    save=True,
    project="runs/detect",
    name="my_model"
)

# ============================================
# 4. 모델 내보내기 (배포용)
# ============================================
# ONNX 포맷 (범용)
model.export(format="onnx", simplify=True)

# TensorRT (NVIDIA GPU 최적화)
model.export(format="engine", device=0)

# CoreML (Apple 디바이스)
model.export(format="coreml")

# TFLite (모바일/엣지)
model.export(format="tflite")

# ============================================
# 5. 다양한 태스크
# ============================================
# 인스턴스 세그멘테이션
seg_model = YOLO("yolo11n-seg.pt")
seg_results = seg_model("image.jpg")

# 포즈 추정
pose_model = YOLO("yolo11n-pose.pt")
pose_results = pose_model("image.jpg")

# 이미지 분류
cls_model = YOLO("yolo11n-cls.pt")
cls_results = cls_model("image.jpg")

# 객체 추적 (BoT-SORT, ByteTrack)
track_results = model.track(
    source="video.mp4",
    tracker="botsort.yaml",  # 또는 "bytetrack.yaml"
    persist=True
)