objectdetection3 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. 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
