YOLO11 배포 옵션의 비교 분석

소개

YOLO11 여정에서 먼 길을 오셨습니다. 데이터를 부지런히 수집하고, 꼼꼼하게 주석을 달고, 시간을 투자하여 사용자 지정 YOLO11 모델을 학습하고 엄격하게 평가했습니다. 이제 특정 애플리케이션, 사용 사례 또는 프로젝트에 맞게 모델을 작동할 차례입니다. 하지만 중요한 결정이 남아 있습니다. 모델을 효과적으로 내보내고 배포하는 방법입니다.

참고: 프로젝트에 가장 적합한 Ultralytics YOLO11 배포 형식을 선택하는 방법 | TensorRT | OpenVINO 🚀

이 가이드에서는 YOLO11의 배포 옵션과 프로젝트에 적합한 옵션을 선택하기 위해 고려해야 할 필수 요소를 안내합니다.

YOLO11 모델에 적합한 배포 옵션을 선택하는 방법

YOLO11 모델을 배포할 때 적합한 내보내기 형식을 선택하는 것은 매우 중요합니다. Ultralytics YOLO11 모드 문서에 설명된 바와 같이, model.export() 함수를 사용하면 훈련된 모델을 다양한 환경 및 성능 요구 사항에 맞춰 여러 형식으로 변환할 수 있습니다.

이상적인 형식은 모델의 의도된 운영 컨텍스트에 따라 다르며 속도, 하드웨어 제약 조건 및 통합 용이성의 균형을 맞춥니다. 다음 섹션에서는 각 내보내기 옵션을 자세히 살펴보고 각 옵션을 선택해야 하는 시점을 이해합니다.

YOLO11 배포 옵션

다양한 YOLO11 배포 옵션을 살펴보겠습니다. 내보내기 프로세스에 대한 자세한 내용은 Ultralytics 내보내기 관련 문서 페이지를 참조하십시오.

PyTorch

PyTorch는 딥러닝 및 인공 지능 분야에서 널리 사용되는 오픈 소스 머신 러닝 라이브러리입니다. 높은 수준의 유연성과 속도를 제공하여 연구원과 개발자 사이에서 선호도가 높습니다.

• 성능 벤치마크: PyTorch는 사용 편의성과 유연성으로 잘 알려져 있으며, 이는 더욱 전문화되고 최적화된 다른 프레임워크와 비교할 때 원시 성능에서 약간의 절충이 있을 수 있습니다.
• 호환성 및 통합: python의 다양한 데이터 과학 및 머신 러닝 라이브러리와 뛰어난 호환성을 제공합니다.
• 커뮤니티 지원 및 생태계: 학습 및 문제 해결을 위한 광범위한 리소스를 갖춘 가장 활발한 커뮤니티 중 하나입니다.
• 사례 연구: 연구 프로토타입에서 일반적으로 사용되며, 많은 학술 논문에서 PyTorch에 배포된 모델을 참조합니다.
• 유지 관리 및 업데이트: 활발한 개발과 새로운 기능 지원을 통해 정기적으로 업데이트됩니다.
• 보안 고려 사항: 보안 문제에 대한 정기적인 패치가 제공되지만, 보안은 주로 배포되는 전체 환경에 따라 달라집니다.
• 하드웨어 가속: 모델 학습 및 추론 속도 향상에 필수적인 GPU 가속을 위해 CUDA를 지원합니다.

TorchScript

TorchScript는 모델을 C++ 런타임 환경에서 실행되도록 내보낼 수 있도록 하여 PyTorch의 기능을 확장합니다. 따라서 python을 사용할 수 없는 프로덕션 환경에 적합합니다.

• 성능 벤치마크: 특히 프로덕션 환경에서 기본 PyTorch보다 향상된 성능을 제공할 수 있습니다.
• 호환성 및 통합: 일부 고급 기능이 완벽하게 변환되지 않을 수 있지만, PyTorch에서 C++ 프로덕션 환경으로 원활하게 전환할 수 있도록 설계되었습니다.
• 커뮤니티 지원 및 생태계: PyTorch의 대규모 커뮤니티로부터 이점을 얻지만 전문 개발자의 범위는 더 좁습니다.
• 사례 연구: python의 성능 오버헤드가 병목 현상인 산업 환경에서 널리 사용됩니다.
• 유지 관리 및 업데이트: PyTorch와 함께 일관된 업데이트로 유지 관리됩니다.
• 보안 고려 사항: 전체 python 설치 없이도 환경에서 모델을 실행할 수 있도록 지원하여 보안을 강화합니다.
• 하드웨어 가속: PyTorch의 CUDA 지원을 상속하여 효율적인 GPU 활용을 보장합니다.

ONNX

Open Neural Network Exchange(ONNX)는 다양한 플랫폼에 배포할 때 매우 중요한 역할을 할 수 있는, 서로 다른 프레임워크 간의 모델 상호 운용성을 지원하는 형식입니다.

• 성능 벤치마크: ONNX 모델은 배포되는 특정 런타임에 따라 성능이 달라질 수 있습니다.
• 호환성 및 통합: 프레임워크에 구애받지 않는 특성 덕분에 여러 플랫폼 및 하드웨어에서 높은 상호 운용성을 제공합니다.
• 커뮤니티 지원 및 생태계: 많은 조직에서 지원하므로 광범위한 생태계와 다양한 최적화 도구를 제공합니다.
• 사례 연구: 다양한 머신러닝 프레임워크 간에 모델을 이동하는 데 자주 사용되며, 유연성을 입증합니다.
• 유지 관리 및 업데이트: 개방형 표준인 ONNX는 새로운 연산 및 모델을 지원하기 위해 정기적으로 업데이트됩니다.
• 보안 고려 사항: 모든 크로스 플랫폼 도구와 마찬가지로 변환 및 배포 파이프라인에서 안전한 방법을 사용하는 것이 중요합니다.
• 하드웨어 가속: ONNX 런타임을 통해 모델은 다양한 하드웨어 최적화를 활용할 수 있습니다.

OpenVINO

OpenVINO는 Intel 하드웨어 전반에 걸쳐 딥 러닝 모델의 배포를 용이하게 하여 성능과 속도를 향상시키도록 설계된 Intel 툴킷입니다.

• 성능 벤치마크: Intel CPU, GPU 및 VPU에 특화되어 호환 가능한 하드웨어에서 상당한 성능 향상을 제공합니다.
• 호환성 및 통합: Intel 에코시스템 내에서 가장 잘 작동하지만 다양한 다른 플랫폼도 지원합니다.
• 커뮤니티 지원 및 생태계: Intel의 지원을 받으며 특히 컴퓨터 비전 영역에서 견고한 사용자 기반을 가지고 있습니다.
• 사례 연구: Intel 하드웨어가 널리 사용되는 IoT 및 에지 컴퓨팅 시나리오에서 자주 활용됩니다.
• 유지 관리 및 업데이트: Intel은 최신 딥러닝 모델과 Intel 하드웨어를 지원하기 위해 OpenVINO를 정기적으로 업데이트합니다.
• 보안 고려 사항: 민감한 애플리케이션에 배포하기에 적합한 강력한 보안 기능을 제공합니다.
• 하드웨어 가속: 전용 명령어 세트 및 하드웨어 기능을 활용하여 Intel 하드웨어에서 가속화되도록 조정되었습니다.

OpenVINO를 사용한 배포에 대한 자세한 내용은 Ultralytics 통합 문서인 Intel OpenVINO 내보내기를 참조하세요.

TensorRT

TensorRT는 NVIDIA의 고성능 딥 러닝 추론 옵티마이저 및 런타임으로, 속도와 효율성이 필요한 애플리케이션에 이상적입니다.

• 성능 벤치마크: 고속 추론을 지원하여 NVIDIA GPU에서 최고의 성능을 제공합니다.
• 호환성 및 통합: NVIDIA 하드웨어에 가장 적합하며, 이 환경 외부에서는 지원이 제한적입니다.
• 커뮤니티 지원 및 생태계: NVIDIA 개발자 포럼 및 문서를 통해 강력한 지원 네트워크를 제공합니다.
• 사례 연구: 비디오 및 이미지 데이터에 대한 실시간 추론이 필요한 산업에서 널리 채택됩니다.
• 유지 관리 및 업데이트: NVIDIA는 성능을 향상시키고 새로운 GPU 아키텍처를 지원하기 위해 TensorRT를 자주 업데이트하여 유지 관리합니다.
• 보안 고려 사항: 많은 NVIDIA 제품과 마찬가지로 보안을 매우 중요하게 생각하지만 구체적인 사항은 배포 환경에 따라 달라집니다.
• 하드웨어 가속: NVIDIA GPU 전용으로 설계되어 심층적인 최적화 및 가속을 제공합니다.

TensorRT 배포에 대한 자세한 내용은 TensorRT 통합 가이드를 확인하십시오.

CoreML

CoreML은 Apple의 머신 러닝 프레임워크로, iOS, macOS, watchOS 및 tvOS를 포함한 Apple 에코시스템에서 장치 내 성능에 최적화되어 있습니다.

• 성능 벤치마크: 배터리 사용을 최소화하면서 Apple 하드웨어에서 장치 내 성능에 최적화되어 있습니다.
• 호환성 및 통합: Apple의 에코시스템 전용으로, iOS 및 macOS 애플리케이션을 위한 간소화된 워크플로우를 제공합니다.
• 커뮤니티 지원 및 생태계: Apple과 전담 개발자 커뮤니티의 강력한 지원을 받으며 광범위한 문서와 도구를 제공합니다.
• 사례 연구: Apple 제품에서 장치 내 머신러닝 기능이 필요한 애플리케이션에서 일반적으로 사용됩니다.
• 유지 관리 및 업데이트: 최신 머신 러닝 발전과 Apple 하드웨어를 지원하기 위해 Apple에서 정기적으로 업데이트합니다.
• 보안 고려 사항: Apple의 사용자 개인 정보 보호 및 데이터 보안에 대한 집중의 이점을 누릴 수 있습니다.
• 하드웨어 가속: Apple의 뉴럴 엔진 및 GPU를 최대한 활용하여 가속화된 머신 러닝 작업을 수행합니다.

TF SavedModel

TF SavedModel은 머신 러닝 모델을 저장하고 제공하기 위한 TensorFlow 형식으로, 확장 가능한 서버 환경에 특히 적합합니다.

• 성능 벤치마크: 특히 TensorFlow Serving과 함께 사용할 때 서버 환경에서 확장 가능한 성능을 제공합니다.
• 호환성 및 통합: 클라우드 및 엔터프라이즈 서버 배포를 포함하여 TensorFlow의 에코시스템 전반에 걸쳐 폭넓은 호환성을 제공합니다.
• 커뮤니티 지원 및 생태계: TensorFlow의 인기로 인해 대규모 커뮤니티 지원을 받으며 배포 및 최적화를 위한 다양한 도구를 제공합니다.
• 사례 연구: 대규모 딥러닝 모델을 제공하기 위한 프로덕션 환경에서 광범위하게 사용됩니다.
• 유지 관리 및 업데이트: Google과 TensorFlow 커뮤니티에서 지원하여 정기적인 업데이트와 새로운 기능을 보장합니다.
• 보안 고려 사항: TensorFlow Serving을 사용한 배포에는 엔터프라이즈급 애플리케이션을 위한 강력한 보안 기능이 포함되어 있습니다.
• 하드웨어 가속: TensorFlow의 백엔드를 통해 다양한 하드웨어 가속을 지원합니다.

TF GraphDef

TF GraphDef는 모델을 그래프로 나타내는 TensorFlow 형식으로, 정적 계산 그래프가 필요한 환경에 유용합니다.

• 성능 벤치마크: 일관성 및 안정성에 중점을 두고 정적 계산 그래프에 대한 안정적인 성능을 제공합니다.
• 호환성 및 통합: TensorFlow 인프라 내에서 쉽게 통합되지만 SavedModel에 비해 유연성이 떨어집니다.
• 커뮤니티 지원 및 생태계: TensorFlow의 생태계로부터 훌륭한 지원을 받으며 정적 그래프 최적화를 위한 많은 리소스를 사용할 수 있습니다.
• 사례 연구: 특정 임베디드 시스템에서와 같이 정적 그래프가 필요한 시나리오에서 유용합니다.
• 유지 관리 및 업데이트: TensorFlow의 핵심 업데이트와 함께 정기적인 업데이트가 제공됩니다.
• 보안 고려 사항: TensorFlow의 확립된 보안 방식으로 안전한 배포를 보장합니다.
• 하드웨어 가속: SavedModel만큼 유연하지는 않지만 TensorFlow의 하드웨어 가속 옵션을 활용할 수 있습니다.

TF GraphDef 통합 가이드에서 TF GraphDef에 대해 자세히 알아보세요.

TF Lite

TF Lite는 모바일 및 임베디드 장치 머신 러닝을 위한 TensorFlow의 솔루션으로, 장치 내 추론을 위한 경량 라이브러리를 제공합니다.

• 성능 벤치마크: 모바일 및 임베디드 장치에서 속도와 효율성을 위해 설계되었습니다.
• 호환성 및 통합: 가벼운 특성 덕분에 광범위한 장치에서 사용할 수 있습니다.
• 커뮤니티 지원 및 생태계: Google의 지원을 받아 강력한 커뮤니티와 개발자를 위한 증가하는 리소스를 보유하고 있습니다.
• 사례 연구: 최소한의 공간으로 장치 내 추론이 필요한 모바일 애플리케이션에서 널리 사용됩니다.
• 유지 관리 및 업데이트: 모바일 장치를 위한 최신 기능 및 최적화를 포함하도록 정기적으로 업데이트됩니다.
• 보안 고려 사항: 최종 사용자 장치에서 모델을 실행하기 위한 안전한 환경을 제공합니다.
• 하드웨어 가속: GPU 및 DSP를 포함한 다양한 하드웨어 가속 옵션을 지원합니다.

TF Edge TPU

TF Edge TPU는 Google의 Edge TPU 하드웨어에서 고속의 효율적인 컴퓨팅을 위해 설계되었으며, 실시간 처리가 필요한 IoT 장치에 적합합니다.

• 성능 벤치마크: Google의 Edge TPU 하드웨어에서 고속의 효율적인 컴퓨팅을 위해 특별히 최적화되었습니다.
• 호환성 및 통합: Edge TPU 장치에서 TensorFlow Lite 모델에서만 작동합니다.
• 커뮤니티 지원 및 생태계: Google 및 타사 개발자가 제공하는 리소스로 지원이 증가하고 있습니다.
• 사례 연구: 낮은 지연 시간으로 실시간 처리가 필요한 IoT 장치 및 애플리케이션에서 사용됩니다.
• 유지 관리 및 업데이트: 새로운 Edge TPU 하드웨어 릴리스의 기능을 활용하기 위해 지속적으로 개선됩니다.
• 보안 고려 사항: IoT 및 엣지 장치를 위한 Google의 강력한 보안과 통합됩니다.
• 하드웨어 가속: Google Coral 장치를 최대한 활용하도록 맞춤 설계되었습니다.

TF.js

TensorFlow.js(TF.js)는 머신 러닝 기능을 브라우저로 직접 가져오는 라이브러리로, 웹 개발자와 사용자 모두에게 새로운 가능성을 제공합니다. 백엔드 인프라 없이도 웹 애플리케이션에 머신 러닝 모델을 통합할 수 있습니다.

• 성능 벤치마크: 클라이언트 장치에 따라 합리적인 성능으로 브라우저에서 직접 머신 러닝을 사용할 수 있습니다.
• 호환성 및 통합: 웹 기술과의 호환성이 높아 웹 애플리케이션에 쉽게 통합할 수 있습니다.
• 커뮤니티 지원 및 생태계: 웹 및 Node.js 개발자 커뮤니티의 지원을 받아 브라우저에서 ML 모델을 배포하기 위한 다양한 도구를 제공합니다.
• 사례 연구: 서버 측 처리 없이 클라이언트 측 머신러닝의 이점을 활용하는 대화형 웹 애플리케이션에 이상적입니다.
• 유지 관리 및 업데이트: 오픈 소스 커뮤니티의 기여와 함께 TensorFlow 팀에서 유지 관리합니다.
• 보안 고려 사항: 웹 플랫폼의 보안 모델을 활용하여 브라우저의 보안 컨텍스트 내에서 실행됩니다.
• 하드웨어 가속: WebGL과 같은 하드웨어 가속에 액세스하는 웹 기반 API를 통해 성능을 향상시킬 수 있습니다.

PaddlePaddle

PaddlePaddle은 Baidu에서 개발한 오픈 소스 딥 러닝 프레임워크입니다. 연구자에게는 효율적이고 개발자에게는 사용하기 쉽도록 설계되었습니다. 특히 중국에서 인기가 높으며 중국어 처리 관련 특화된 지원을 제공합니다.

• 성능 벤치마크: 사용 편의성과 확장성에 중점을 두고 경쟁력 있는 성능을 제공합니다.
• 호환성 및 통합: Baidu의 에코시스템 내에서 잘 통합되어 있으며 광범위한 애플리케이션을 지원합니다.
• 커뮤니티 지원 및 생태계: 전 세계적으로 커뮤니티 규모는 작지만 특히 중국에서 빠르게 성장하고 있습니다.
• 사례 연구: 중국 시장과 다른 주요 프레임워크에 대한 대안을 찾는 개발자가 주로 사용합니다.
• 유지 관리 및 업데이트: 중국어 AI 애플리케이션 및 서비스 제공에 중점을 두고 정기적으로 업데이트됩니다.
• 보안 고려 사항: 중국의 데이터 거버넌스 표준에 맞춰 데이터 개인 정보 보호 및 보안을 강조합니다.
• 하드웨어 가속: Baidu 자체 Kunlun 칩을 포함한 다양한 하드웨어 가속을 지원합니다.

MNN

MNN은 매우 효율적이고 가벼운 딥 러닝 프레임워크입니다. 딥 러닝 모델의 추론 및 학습을 지원하며 장치 내 추론 및 학습에 대한 업계 최고의 성능을 제공합니다. 또한 MNN은 IoT와 같은 임베디드 장치에서도 사용됩니다.

• 성능 벤치마크: ARM 시스템에 대한 뛰어난 최적화를 통해 모바일 장치에서 고성능을 제공합니다.
• 호환성 및 통합: 모바일 및 임베디드 ARM 시스템과 X86-64 CPU 아키텍처에서 잘 작동합니다.
• 커뮤니티 지원 및 생태계: 모바일 및 임베디드 머신러닝 커뮤니티에서 지원합니다.
• 사례 연구: 모바일 시스템에서 효율적인 성능을 요구하는 애플리케이션에 적합합니다.
• 유지 관리 및 업데이트: 모바일 장치에서 높은 성능을 보장하기 위해 정기적으로 유지 관리됩니다.
• 보안 고려 사항: 데이터를 로컬에 보관하여 장치 내 보안 이점을 제공합니다.
• 하드웨어 가속: 최대 효율을 위해 ARM CPU 및 GPU에 최적화되었습니다.

NCNN

NCNN은 모바일 플랫폼에 최적화된 고성능 신경망 추론 프레임워크입니다. 가벼운 특성과 효율성으로 두각을 나타내며, 리소스가 제한된 모바일 및 임베디드 장치에 특히 적합합니다.

• 성능 벤치마크: ARM 기반 장치에서 효율적인 추론을 제공하며 모바일 플랫폼에 매우 최적화되어 있습니다.
• 호환성 및 통합: ARM 아키텍처를 사용하는 휴대폰 및 임베디드 시스템의 애플리케이션에 적합합니다.
• 커뮤니티 지원 및 생태계: 모바일 및 임베디드 ML 애플리케이션에 중점을 둔 틈새 시장이지만 활발한 커뮤니티에서 지원합니다.
• 사례 연구: Android 및 기타 ARM 기반 시스템에서 효율성과 속도가 중요한 모바일 애플리케이션에 적합합니다.
• 유지 관리 및 업데이트: 다양한 ARM 장치에서 높은 성능을 유지하기 위해 지속적으로 개선됩니다.
• 보안 고려 사항: 장치에서 로컬로 실행하는 데 중점을 두어 장치 내 처리의 고유한 보안을 활용합니다.
• 하드웨어 가속: ARM CPU 및 GPU에 맞게 조정되었으며 이러한 아키텍처에 대한 특정 최적화가 적용되었습니다.

YOLO11 배포 옵션의 비교 분석

다음 표는 YOLO11 모델에 사용할 수 있는 다양한 배포 옵션에 대한 스냅샷을 제공하여 여러 중요한 기준에 따라 프로젝트 요구 사항에 가장 적합한 옵션을 평가하는 데 도움을 줍니다. 각 배포 옵션 형식에 대한 자세한 내용은 내보내기 형식에 대한 Ultralytics 문서 페이지를 참조하십시오.

이러한 비교 분석은 개략적인 개요를 제공합니다. 배포 시에는 프로젝트의 특정 요구 사항 및 제약 조건을 고려하고 각 옵션에 대해 제공되는 자세한 문서 및 리소스를 참조하는 것이 중요합니다.

커뮤니티 및 지원

YOLO11을 시작할 때 도움이 되는 커뮤니티와 지원을 받는 것이 큰 영향을 미칠 수 있습니다. 관심사를 공유하는 다른 사람들과 연결하고 필요한 지원을 받는 방법은 다음과 같습니다.

더 넓은 커뮤니티와 소통하십시오

• GitHub Discussions: GitHub의 YOLO11 저장소에는 질문, 문제 보고 및 개선 사항을 제안할 수 있는 "Discussions" 섹션이 있습니다.
• Ultralytics Discord 서버: Ultralytics는 다른 사용자 및 개발자와 교류할 수 있는 Discord 서버를 운영하고 있습니다.

공식 문서 및 자료

• Ultralytics YOLO11 문서: 공식 문서는 YOLO11에 대한 포괄적인 개요와 설치, 사용 및 문제 해결에 대한 가이드를 제공합니다.

이러한 리소스는 YOLO11 커뮤니티에서 문제에 대처하고 최신 트렌드와 모범 사례에 대한 최신 정보를 얻는 데 도움이 될 것입니다.

결론

이 가이드에서는 YOLO11에 대한 다양한 배포 옵션을 살펴보았습니다. 또한 선택 시 고려해야 할 중요한 요소에 대해서도 논의했습니다. 이러한 옵션을 통해 다양한 환경 및 성능 요구 사항에 맞게 모델을 사용자 정의하여 실제 애플리케이션에 적합하게 만들 수 있습니다.

YOLO11 및 Ultralytics 커뮤니티는 귀중한 도움을 얻을 수 있는 원천이라는 점을 잊지 마십시오. 다른 개발자 및 전문가와 연결하여 일반적인 문서에서 찾을 수 없는 고유한 팁과 솔루션을 배우십시오. 계속해서 지식을 탐구하고, 새로운 아이디어를 탐색하고, 경험을 공유하십시오.

즐거운 배포되세요!

FAQ

다양한 하드웨어 플랫폼에서 YOLO11에 사용할 수 있는 배포 옵션은 무엇인가요?

Ultralytics YOLO11은 특정 환경 및 하드웨어 플랫폼을 위해 설계된 다양한 배포 형식을 지원합니다. 주요 형식은 다음과 같습니다.

• PyTorch: 연구 및 프로토타입 제작에 유용하며, python 통합이 뛰어납니다.
• python을 사용할 수 없는 프로덕션 환경을 위한 TorchScript.
• 크로스 플랫폼 호환성 및 하드웨어 가속을 위한 ONNX.
• Intel 하드웨어에서 최적화된 성능을 위한 OpenVINO입니다.
• TensorRT는 NVIDIA GPU에서 고속 추론을 제공합니다.

각 형식에는 고유한 장점이 있습니다. 자세한 내용은 내보내기 프로세스 문서를 참조하십시오.

Intel CPU에서 YOLO11 모델의 추론 속도를 어떻게 향상시킬 수 있습니까?

Intel CPU에서 추론 속도를 높이려면 Intel의 OpenVINO 툴킷을 사용하여 YOLO11 모델을 배포할 수 있습니다. OpenVINO는 Intel 하드웨어를 효율적으로 활용하도록 모델을 최적화하여 상당한 성능 향상을 제공합니다.

1. YOLO11 모델을 OpenVINO 형식으로 변환하려면 다음을 사용하세요. model.export() 함수.
2. Intel OpenVINO 내보내기 문서에서 자세한 설정 가이드를 참조하세요.

자세한 내용은 블로그 게시물을 확인하십시오.

모바일 장치에 YOLO11 모델을 배포할 수 있습니까?

예, YOLO11 모델은 Android 및 iOS 플랫폼 모두에 대해 TensorFlow Lite(TF Lite)를 사용하여 모바일 장치에 배포할 수 있습니다. TF Lite는 모바일 및 임베디드 장치용으로 설계되었으며 효율적인 온디바이스 추론을 제공합니다.

# Export command for TFLite format
model.export(format="tflite")

# CLI command for TFLite export
yolo export --format tflite

모바일 모델 배포에 대한 자세한 내용은 TF Lite 통합 가이드를 참조하세요.

YOLO11 모델의 배포 형식을 선택할 때 어떤 요소를 고려해야 합니까?

YOLO11의 배포 형식을 선택할 때는 다음 요소를 고려하십시오.

• 성능: TensorRT와 같은 일부 형식은 NVIDIA GPU에서 뛰어난 속도를 제공하는 반면, OpenVINO는 Intel 하드웨어에 최적화되어 있습니다.
• 호환성: ONNX는 다양한 플랫폼에서 광범위한 호환성을 제공합니다.
• 쉬운 통합: CoreML 또는 TF Lite와 같은 형식은 각각 iOS 및 Android와 같은 특정 생태계에 맞춰져 있습니다.
• 커뮤니티 지원: PyTorch 및 TensorFlow와 같은 형식은 광범위한 커뮤니티 리소스와 지원을 제공합니다.

비교 분석은 내보내기 형식 문서를 참조하세요.

웹 애플리케이션에서 YOLO11 모델을 어떻게 배포할 수 있습니까?

웹 애플리케이션에 YOLO11 모델을 배포하려면 브라우저에서 직접 머신 러닝 모델을 실행할 수 있는 TensorFlow.js(TF.js)를 사용할 수 있습니다. 이 접근 방식은 백엔드 인프라가 필요 없고 실시간 성능을 제공합니다.

1. YOLO11 모델을 TF.js 형식으로 내보냅니다.
2. 내보낸 모델을 웹 애플리케이션에 통합합니다.

단계별 지침은 TensorFlow.js 통합 가이드를 참조하세요.

📅 1년 전에 생성됨 ✏️ 3개월 전에 업데이트됨

댓글