AI6 성능 분석 및 모델 선택 가이드 [1-5] 1단계 PC 실험의 마무리 편입니다. 와 1단계 끝까지 온 것을 스스로 칭찬~ 😊n/s/m 모델의 성능을 측정·비교하고, 각 플랫폼(PC → RPi5 → STM32H7)에 어떤 모델이 적합한지 결론을 정리합니다.💡 이 글의 목표: 자동화된 성능 측정 스크립트로 모델별 FPS·추론시간·정확도를 수집하고, 이를 바탕으로 2단계(RPi5), 3단계(STM32H7)에서 사용할 모델을 결정합니다.작업 폴더: D:\00_Task\99_Test\python_workspace\yolo26_env1. 자동 성능 측정 스크립트n, s, m 세 모델에 대해 추론 시간, FPS, 검출 수, 파라미터 수를 자동으로 측정하고 한 번에 비교할 수 있는 스크립트를 작성합니다.1성능 측정 스크립트 작성아래 내용을 benchmark.. 2026. 4. 5. 카메라 연동 실시간 검출 [1-4] 지금까지 이미지 파일로만 테스트했다면, 이번엔 진짜입니다! 😄PC 웹캠(또는 USB 카메라)을 연결하고 YOLO26으로 실시간 사물 검출을 구현합니다.💡 이 글의 목표: OpenCV로 웹캠 영상을 캡처하고 YOLO26과 연결하여 실시간 검출 화면을 띄웁니다. FPS 표시, 키보드 종료, 모델 전환까지 단계적으로 구현합니다.작업 폴더: D:\00_Task\99_Test\python_workspace\yolo26_env0. 실시간 검출 전체 흐름카메라 연동 실시간 검출의 동작 원리를 먼저 이해하고 시작합니다. 💡 실시간이란?영상은 1초에 여러 장의 이미지(프레임)가 연속으로 표시되는 것입니다. 각 프레임마다 YOLO26 추론을 실행하고 결과를 화면에 그리는 루프를 빠르게 반복하면 사람 눈에 실시간처럼 .. 2026. 4. 4. Pretrained 모델 추론 테스트 [1-3] [개발환경구축 - Python venv 1-2] 에서 구축한 환경을 바탕으로 YOLO26 pretrained 모델로 실제 추론을 실행해봅니다.이미지 추론 → 결과 분석 → 모델 크기별(n/s/m/l/x) 성능 비교까지 단계별로 진행합니다.💡 이 글의 목표: YOLO26 pretrained 모델을 이용해 이미지에서 사물을 검출하고, n/s/m 모델별로 속도와 정확도 차이를 직접 눈으로 확인합니다.작업 폴더: D:\00_Task\99_Test\python_workspace /yolo26_env0. 시작 전 — venv 활성화 확인작업을 시작하기 전에 반드시 가상환경이 활성화된 상태인지 확인합니다. CMD를 새로 열었다면 매번 아래 명령을 먼저 실행해야 합니다.0venv 활성화CMDcd D:\00_Task\.. 2026. 4. 3. 개발 환경 구축 — Python venv [1-2] Windows PC에서 Python 가상환경(venv)을 생성하고 YOLO26 실행에 필요한패키지를 설치하는 전 과정을 단계별로 따라합니다.💡 이 글의 목표: 명령 프롬프트(CMD)를 열고 이 글을 따라하면, 마지막에 YOLO26이 정상 동작하는 깔끔한 Python 가상환경이 완성됩니다.0. 전체 설치 흐름먼저 전체 과정을 한눈에 파악하고 시작합니다.1. 사전 준비 — Python 설치 확인가장 먼저 PC에 Python이 설치되어 있는지 확인합니다. ultralytics(YOLO26)는 Python 3.8 이상을 요구하며, 이 글에서는 Python 3.11.9 기준으로 진행합니다.1CMD 열고 Python 버전 확인Win + R → cmd 입력 → Enter 로 명령 프롬프트를 엽니다.CMDpython.. 2026. 4. 1. YOLO26 개요 및 핵심 특징 [1-1] YOLO 시리즈의 흐름부터 YOLO26이 왜 엣지 AI에 최적화된 구조인지까지,본격적인 구현에 앞서 YOLO26을 제대로 이해해 봅니다.1. YOLO란 무엇인가?YOLO(You Only Look Once)는 이름 그대로 이미지를 딱 한 번만 훑어보고 사물을 검출하는 딥러닝 기반 실시간 객체 탐지(Object Detection) 알고리즘입니다. 예전의 전통적인 방법들은 크게 두 단계로 나뉘었습니다. 먼저 "어디에 사물이 있을 것 같다"는 후보 영역(Region Proposal)을 뽑고, 그 다음 각 영역을 따로 분류하는 방식이었습니다. 정확하긴 했지만 속도가 느려서 실시간 처리가 어려웠죠. 😅 YOLO는 이 두 단계를 하나의 신경망으로 합쳐버렸습니다. 이미지 전체를 한 번에 보면서 "어디에 무엇이 있는지.. 2026. 3. 31. YOLO26 사물 검출 프로젝트 — 3단계 로드맵 소개 PC(Laptop) → Raspberry Pi 5 (Ubuntu) → STM32H7 MCU,동일한 AI 기능을 점점 더 작은 하드웨어에서 직접 구현하는 장기 시리즈를 시작합니다.들어가며요즘 AI 기술이 무섭게 발전하고 있습니다. 특히 컴퓨터 비전(Computer Vision) 분야에서 실시간 사물 검출(Object Detection) 기술은 단순한 연구 수준을 넘어서, 산업 현장의 품질 검사, 드론의 표적 추적, 보안 시스템, 로봇 자율주행 등 실제 제품에 빠르게 적용되고 있습니다. 이번 시리즈에서는 YOLO26(Ultralytics YOLO 시리즈 최신 버전)을 활용하여 사물 검출(Object Detection) 프로젝트를 진행하고, 그 결과를 단계적으로 블로그에 기록하려고 합니다. 단순히 PC에서 실.. 2026. 3. 30. 이전 1 다음 반응형
