서비스
YOLO 객체 검출 — 라이브 데모
사무실·교통·보안 등 시나리오별로 YOLO26 실시간 객체 검출을 테스트. 카메라·업로드·샘플 지원, 검출 박스를 그대로 시각화.
실험실 Mac mini에서 상시 서빙 중인 YOLO26-nano가 이미지 속 객체를 검출하고 개수를 셉니다. 시나리오를 고르면 그 상황에 맞는 클래스만 필터링됩니다 — "정량은 YOLO"의 그 정량입니다. 이미지는 추론 후 폐기되며 서버에 저장되지 않습니다.
시나리오에 맞는 샘플이 표시됩니다. 클릭하면 바로 검출합니다.
무엇을 보여주나
브라우저가 이미지를 최대 1024px로 축소해 노드 2의 YOLO 서버(FastAPI + PyTorch MPS)로 보내고, 반환된 박스 좌표를 캔버스에 직접 그립니다. 시나리오는 서버에서 COCO 클래스를 필터링하는 방식 — 같은 이미지를 다른 시나리오로 재검출해 비교할 수 있습니다. 시나리오 카탈로그는 YOLO 실험 후보 참고.
마스크/안전모 시나리오는 하이브리드로 처리합니다. 두 클래스는 COCO에 없어서 표준 YOLO로는 불가능합니다. 처음엔 YOLOE 제로샷을 썼는데 어두운 마스크를 놓쳤고, 대안 조사에서 실측으로 확인한 OWLv2(구글의 더 큰 제로샷 검출기)로 교체했습니다. 지금은 person 카운팅은 빠른 YOLO26이, 마스크·안전모는 OWLv2가 맡아 "5명 중 2명 착용" 같은 판독이 됩니다(~0.5초). 학습 없이 텍스트 프롬프트만으로 여기까지 온 것이고, 실무 수준 정확도가 필요하면 그때가 파인튜닝의 지점입니다.
검출의 경계를 보여주는 샘플들: 호랑이(COCO에 없어 검출 불가), 빈 트럭 vs 적재 트럭(둘 다 그냥 "truck" — 적재 여부 같은 상태 판단은 VLM 데모에 같은 이미지를 올려 물어보세요. "정량은 YOLO, 정성은 VLM"을 직접 비교할 수 있습니다).
샘플 이미지 출처 (Wikimedia Commons)
- 빈 사무실: AlainV, Public domain · 컴퓨터실: Michael Surran, CC BY-SA 2.0
- 정체 도로: epSos.de, CC BY 2.0 · 시가지: Erasmus Kamugisha, CC BY-SA 4.0 · 자전거 거리: Peirz(Wikivoyage), CC BY-SA 3.0
- 적재 트럭: NCDOTcommunications, CC BY 2.0 · 빈 트럭: Andrew Diack, CC BY-SA 2.0
- 마스크(2인): John Benson, CC BY 2.0 · 마스크(어두운): Kristoffer Trolle, CC BY 2.0 · 안전모 작업자: Tommie Horton, Public domain
- 버스·2인 거리 사진: Ultralytics 공식 데모 이미지 · 나머지: 자체 생성(AI) 이미지