YOLOv8 인공지능 객체인식
학생 자습 & 실습 완성 가이드

# Ultralytics 공식 YOLO 패키지 설치
pip install ultralytics

# PyTorch GPU 사용 가능 여부 확인
python -c "import torch; print('CUDA 사용 가능 여부:', torch.cuda.is_available())"

from ultralytics import YOLO

# 1. 사전 학습된 나노(Nano) 모델 로드 (가중치 자동 다운로드됨)
model = YOLO("yolov8n.pt")

# 2. 이미지 추론 실행 (인터넷 이미지 URL 또는 로컬 파일 경로 입력)
results = model.predict(
    source="https://ultralytics.com/images/bus.jpg",
    save=True,       # 결과 이미지에 사각형 그려서 runs/detect/predict에 저장
    conf=0.25        # 신뢰도(Confidence) 25% 이상인 객체만 표시
)

# 3. 인식된 객체 정보 출력
for result in results:
    boxes = result.boxes
    for box in boxes:
        cls_id = int(box.cls[0])
        name = model.names[cls_id]
        conf = float(box.conf[0])
        print(f"🎯 인식된 사물: {name} (확률: {conf*100:.1f}%)")

my_dataset/
├── data.yaml          # 학습 설정 파일 (경로, 클래스 이름 정의)
├── train/
│   ├── images/        # 학습용 사진들 (img_01.jpg, img_02.jpg ...)
│   └── labels/        # 라벨 텍스트들 (img_01.txt, img_02.txt ...)
├── valid/
│   ├── images/        # 검증용 사진들
│   └── labels/        # 검증용 라벨 텍스트들
└── test/
    ├── images/        # 최종 테스트용 사진들
    └── labels/

# 데이터셋 기본 경로 (절대 경로 또는 상대 경로)
path: /content/my_dataset

train: train/images
val: valid/images
test: test/images

# 클래스 수 (Number of Classes)
nc: 2

# 클래스 이름 목록 (인덱스 0번, 1번)
names: ['mask_on', 'mask_off']

from ultralytics import YOLO

# 1. 사전 훈련된 가중치 불러오기 (전이학습 시작점)
model = YOLO("yolov8n.pt")

# 2. 커스텀 데이터셋으로 파인 튜닝(Fine-tuning)
results = model.train(
    data="data.yaml",   # 방금 만든 yaml 파일 경로
    epochs=50,          # 전체 데이터셋을 50번 반복 학습
    imgsz=640,          # 입력 이미지 해상도 (640x640 정규화)
    batch=16,           # 한 번에 GPU에 올릴 사진 묶음 크기
    device=0,           # GPU 0번 사용 (CPU만 있을 땐 'cpu' 입력)
    name="my_mask_model"# 학습 결과 저장 폴더 이름
)

# 3. 훈련 완료된 최적 가중치(best.pt)로 테스트 이미지 추론
best_model = YOLO("runs/detect/my_mask_model/weights/best.pt")
best_model.predict(source="test_sample.jpg", save=True, show=True)

classify_dataset/
├── train/
│   ├── defect/     # 불량 부품 사진 500장
│   └── normal/     # 정상 부품 사진 500장
├── val/
│   ├── defect/     # 검증용 불량 사진 100장
│   └── normal/     # 검증용 정상 사진 100장
└── test/

from ultralytics import YOLO

# 1. 분류 전용 경량 모델 로드 (-cls 접미사가 붙음)
model = YOLO("yolov8n-cls.pt")

# 2. 폴더 데이터셋으로 학습 실행
model.train(
    data="classify_dataset", # 폴더 경로만 지정하면 됨!
    epochs=30,
    imgsz=224,               # 분류는 보통 224x224 크기로 초고속 학습
    batch=32
)

# 3. 새로운 사진 분류 테스트
result = model("test_part.jpg")[0]
top1_index = result.probs.top1
top1_label = result.names[top1_index]
top1_conf = result.probs.top1conf.item()

print(f"🔍 판정 결과: {top1_label} (신뢰도: {top1_conf*100:.2f}%)")

import cv2
import numpy as np
from ultralytics import YOLO

# 1. 세그멘테이션 전용 모델 로드 (-seg 접미사)
model = YOLO("yolov8n-seg.pt")

# 2. 이미지 추론
results = model("street.jpg")

for r in results:
    img = r.orig_img
    # r.masks 객체 안에 픽셀 단위 마스크 폴리곤 좌표가 들어있음
    if r.masks is not None:
        for mask, box in zip(r.masks.xy, r.boxes):
            cls_name = model.names[int(box.cls[0])]
            polygon = np.int32([mask]) # 꼭짓점 정수 좌표 변환
            
            # 외곽선 그리기 (초록색 선)
            cv2.polylines(img, polygon, isClosed=True, color=(0, 255, 0), thickness=2)
            print(f"✨ 세그멘테이션 분할 완료: {cls_name} (꼭짓점 개수: {len(mask)})")

cv2.imwrite("segmented_output.jpg", img)

import cv2
import numpy as np
from ultralytics import YOLO

def calculate_angle(a, b, c):
    """세 점 a, b(중심점), c의 사잇각(도, Degree)을 계산"""
    a, b, c = np.array(a), np.array(b), np.array(c)
    radians = np.arctan2(c[1]-b[1], c[0]-b[0]) - np.arctan2(a[1]-b[1], a[0]-b[0])
    angle = np.abs(radians * 180.0 / np.pi)
    if angle > 180.0:
        angle = 360.0 - angle
    return angle

# 1. 포즈 추정 전용 모델 로드 (-pose 접미사)
model = YOLO("yolov8n-pose.pt")

# 웹캠 열기 (0번 카메라)
cap = cv2.VideoCapture(0)
counter = 0
stage = "UP"

while cap.isOpened():
    ret, frame = cap.read()
    if not ret: break

    results = model(frame, verbose=False)
    for r in results:
        keypoints = r.keypoints.xy.cpu().numpy()
        if len(keypoints) > 0 and len(keypoints[0]) >= 17:
            kpts = keypoints[0]
            hip = kpts[11]   # 왼쪽 골반
            knee = kpts[13]  # 왼쪽 무릎
            ankle = kpts[15] # 왼쪽 발목

            # 세 관절 좌표가 유효한지 확인 후 각도 계산
            if knee[0] > 0 and hip[0] > 0 and ankle[0] > 0:
                angle = calculate_angle(hip, knee, ankle)
                
                # 스쿼트 판정 로직
                if angle < 90:
                    stage = "DOWN"
                if angle > 160 and stage == "DOWN":
                    stage = "UP"
                    counter += 1
                    print(f"🔥 스쿼트 성공! 현재 횟수: {counter}회")

                # 화면에 각도와 카운터 출력
                cv2.putText(frame, f"Angle: {int(angle)} deg", (30, 50), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 255), 2)
                cv2.putText(frame, f"Squats: {counter}", (30, 100), cv2.FONT_HERSHEY_SIMPLEX, 1.2, (0, 255, 0), 3)

    cv2.imshow("AI Squat Counter", frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

from ultralytics import YOLO

model = YOLO("yolov8n.pt")

# 비디오 파일 또는 실시간 RTSP CCTV 스트림에서 실시간 추적 실행
results = model.track(
    source="highway_cars.mp4",
    tracker="bytetrack.yaml", # 또는 'botsort.yaml'
    show=True,
    save=True
)

for result in results:
    if result.boxes.id is not None:
        track_ids = result.boxes.id.int().cpu().tolist()
        print("현재 화면에 감지된 차량 고유 ID들:", track_ids)

from ultralytics import YOLO

model = YOLO("best.pt")

# ONNX 포맷으로 변환 (C++ 및 일반 CPU 추론 최적화)
model.export(format="onnx", dynamic=True)

# NVIDIA 그래픽카드용 초고속 TensorRT 변환 (엔진 파일 생성)
# model.export(format="engine", device=0)