Ultralytics 통합
이 페이지에는 데이터셋 관리와 모델 학습부터 실험 추적 및 배포까지, 머신 러닝 워크플로를 지원하기 위해 Ultralytics와 통합되는 도구와 플랫폼이 나열되어 있습니다.
시청: Ultralytics YOLO 배포 및 통합
내보내기 형식#
-
Alibaba MNN: Alibaba가 개발한 MNN은 모바일 및 임베디드 하드웨어에서 온디바이스 추론과 학습을 지원하는 경량 딥러닝 프레임워크입니다.
-
Apple Core AI: Apple의 새로운
.aimodel형식과 Core AI와 Core ML의 차이, 현재 제한 사항, iOS 27 및 macOS 27 세대용format="coreai"로 YOLO26 모델을 내보내는 방법을 알아보세요. -
Apple Core ML: Apple이 개발한 Core ML은 iOS, macOS, watchOS, tvOS 전반의 애플리케이션에 머신러닝 모델을 효율적으로 통합하도록 설계된 프레임워크이며, Apple 하드웨어를 활용해 효과적이고 안전한 모델 배포를 지원합니다.
-
Baidu PaddlePaddle: Baidu가 개발한 오픈 소스 딥러닝 플랫폼 PaddlePaddle은 확장 가능한 산업용 애플리케이션에 중점을 두고 AI 모델 배포를 지원합니다.
-
ExecuTorch: Meta가 개발한 ExecuTorch는 엣지 디바이스에 Ultralytics YOLO 모델을 배포하기 위한 PyTorch의 통합 솔루션입니다.
-
Google LiteRT: Google이 개발한 LiteRT(이전 명칭 TensorFlow Lite)는
.tflite형식을 위한 온디바이스 런타임으로, 모바일, 임베디드, 엣지 및 브라우저(LiteRT.js 사용)에서 단일 모델을 배포합니다. -
Intel OpenVINO: Intel CPU, GPU 및 NPU에서 컴퓨터 비전 모델을 최적화하고 배포하기 위한 Intel 툴킷입니다.
-
NVIDIA TensorRT: NVIDIA가 개발한 고성능 딥러닝 추론 프레임워크이자 모델 형식으로, NVIDIA GPU에서 AI 모델의 속도와 효율성을 최적화합니다.
-
ONNX: 원래 Microsoft와 Facebook이 개발한 오픈 소스 형식으로, 프레임워크 간 AI 모델 전송을 지원해 다양한 런타임과 하드웨어에서 Ultralytics 모델을 사용할 수 있게 합니다.
-
Tencent NCNN: Tencent가 개발한 NCNN은 모바일 기기에 최적화된 신경망 추론 프레임워크입니다. 다양한 모바일 플랫폼의 앱에서 AI 모델을 직접 실행합니다.
-
TF GraphDef: Google이 개발한 GraphDef는 계산 그래프를 표현하는 TensorFlow 형식으로, 다양한 하드웨어에서 머신러닝 모델을 최적화된 방식으로 실행할 수 있게 합니다.
-
TF SavedModel: Google이 개발한 TF SavedModel은 TensorFlow 모델의 직렬화 형식으로, 서버부터 엣지 디바이스까지 폭넓은 플랫폼에서 모델을 공유하고 배포할 수 있게 합니다.
-
TorchScript: PyTorch 프레임워크의 일부로 개발된 TorchScript를 사용하면 Python 종속성 없이 다양한 프로덕션 환경에서 머신러닝 모델을 효율적으로 실행하고 배포할 수 있습니다.
아래 표에는 format 인수와 함께 모든 내보내기 형식이 나열되어 있습니다.
| 형식 | format 인수 | 모델 | 메타데이터 | 인수 |
|---|---|---|---|---|
| PyTorch | - | yolo26n.pt | ✅ | - |
| TorchScript | torchscript | yolo26n.torchscript | ✅ | imgsz, quantize, dynamic, nms, batch, device |
| ONNX | onnx | yolo26n.onnx | ✅ | imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device |
| OpenVINO | openvino | yolo26n_openvino_model/ | ✅ | imgsz, quantize, dynamic, nms, batch, data, fraction, device |
| TensorRT | engine | yolo26n.engine | ✅ | imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device |
| CoreML | coreml | yolo26n.mlpackage | ✅ | imgsz, dynamic, quantize, nms, batch, device |
| Apple Core AI | coreai | yolo26n.aimodel | ✅ | imgsz, batch, quantize |
| TF SavedModel | saved_model | yolo26n_saved_model/ | ✅ | imgsz, quantize, opset, nms, batch, data, fraction, device |
| TF GraphDef | pb | yolo26n.pb | ❌ | imgsz, opset, batch, device |
| TF Edge TPU | edgetpu | yolo26n_edgetpu.tflite | ✅ | imgsz, quantize, opset, data, fraction, device |
| LiteRT | litert | yolo26n.tflite | ✅ | imgsz, quantize, batch, data, fraction, device |
| PaddlePaddle | paddle | yolo26n_paddle_model/ | ✅ | imgsz, batch, device |
| MNN | mnn | yolo26n.mnn | ✅ | imgsz, batch, dynamic, quantize, simplify, opset, nms, device |
| NCNN | ncnn | yolo26n_ncnn_model/ | ✅ | imgsz, quantize, device |
| IMX500 | imx | yolo11n_imx_model/ | ✅ | imgsz, quantize, data, fraction, nms, device |
| RKNN | rknn | yolo26n_rknn_model/ | ✅ | imgsz, batch, name, quantize, simplify, opset, data, fraction, device |
| ExecuTorch | executorch | yolo26n_executorch_model/ | ✅ | imgsz, quantize, batch, data, fraction, device |
| Axelera | axelera | yolo26n_axelera_model/ | ✅ | imgsz, batch, quantize, data, fraction, device |
| DEEPX | deepx | yolo26n_deepx_model/ | ✅ | imgsz, quantize, simplify, opset, data, optimize, device |
| Qualcomm QNN | qnn | yolo26n_qnn.onnx | ✅ | imgsz, batch, name, quantize, simplify, opset, data, fraction, device |
| Hailo | hailo | yolo26n_hailo_model/ | ✅ | imgsz, name, quantize, data, fraction, simplify, conf, iou, device |
| Huawei Ascend | ascend | yolo26n_ascend_model/ | ✅ | imgsz, batch, name, quantize, opset, simplify, nms, device |
| AMD Xilinx | xilinx | yolo26n_xilinx_model/ | ✅ | imgsz, name, quantize, data, fraction, opset, simplify, device |
| NXP | nxp | yolo26n_nxp.tflite | ✅ | imgsz, quantize, data, fraction, device |
| ST Edge AI | stedgeai | yolo26n_stedgeai.onnx | ✅ | imgsz, quantize, data, fraction, opset, simplify, device |
nms=None은 외부 NMS를 위해 기본적으로 원시 출력을 사용합니다(YOLO26은 Axelera에서 NMS가 필요 없는 헤드를 유지합니다). 사용 가능한 NMS가 필요 없는 헤드를 선택하려면 nms=False를 설정하세요. 지원되지 않는 형식은 해당 형식의 기본 출력 경로로 대체됩니다. 위의 nms 항목은 nms=True로 NMS를 포함할 수 있는 형식을 나타냅니다.
각 통합에 대해 자세히 알아보고 Ultralytics와 함께 최대한 활용하는 방법을 확인하려면 링크를 살펴보세요. 내보내기 페이지에서 전체 export 세부 정보를 확인하세요.
하드웨어 및 기기#
-
Ambarella: Ambarella의 Ultralytics 포크를 사용하여 SpongeTorch 압축 인식 학습 및 오프라인 CVflow 툴체인으로 CV72와 같은 Ambarella CVflow® SoC용 Ultralytics YOLO 모델을 학습, 압축 및 내보냅니다.
-
AMD GPU: Ultralytics YOLO를 ONNX로 내보내고 ROCm의 ONNX Runtime MIGraphX 실행 공급자를 통해 AMD Instinct 및 Radeon GPU에서 GPU 가속 추론을 실행할 수 있으며, 기본 PyTorch ROCm 학습도 지원됩니다.
-
AMD Xilinx: AMD Quark 및 Vitis AI를 사용해
format="xilinx"로 Ultralytics YOLO를 내보내 AMD Versal AI Edge Series Gen 2 NPU에서 실행하는 방법과 Zynq, Kria, Versal 디바이스, DPU와 NPU 가속기 비교 및 YOLO 연산자 지원을 안내합니다. -
Axelera AI: 효율적인 엣지 추론을 위해 Ultralytics 모델을 실행하는 Metis 가속기와 Voyager SDK를 살펴보세요.
-
DEEPX: 임베디드 및 엣지 AI 애플리케이션을 대상으로 DEEPX NPU 하드웨어에서 전력 효율적인 INT8 추론을 수행할 수 있도록 Ultralytics YOLO 모델을 DEEPX
.dxnn형식으로 내보냅니다. -
Google Coral Edge TPU: Google이 TensorFlow Lite 모델 최적화를 위해 개발한 이 모델 형식은 빠르고 효율적인 엣지 컴퓨팅을 지원합니다.
-
Raspberry Pi용 Google Coral Edge TPU: Google Edge TPU는 Raspberry Pi에서 YOLO 추론을 가속합니다.
-
Hailo: Ultralytics YOLO의 탐지, 세그멘테이션, 시맨틱 세그멘테이션, 깊이 추정, 분류, 포즈 및 OBB 모델을 Hailo HEF로 직접 내보낼 수 있습니다(YOLO26 세그멘테이션, 포즈 및 OBB는 아직 지원되지 않음). 검증된 모델과 대상은 통합 가이드를 참조하세요.
-
Huawei Ascend: CANN ATC 컴파일러를 사용하여 Ultralytics YOLO 모델을 Huawei Ascend
.om오프라인 형식으로 컴파일해 Atlas 및 Orange Pi AIpro 기기에서 FP16 추론을 수행합니다. -
Luxonis OAK: Luxonis Hub 또는 로컬 Luxonis 도구를 사용하여 Ultralytics YOLO 모델을 변환하고, Luxonis OAK
RVC2및RVC4카메라에서 기기 내 실행합니다. -
MediaTek Dimensity: LiteRT 내보내기와 공식 Flutter 플러그인을 사용해 MediaTek Dimensity Android 휴대폰에 Ultralytics YOLO를 배포하고, 측정된 CPU, GPU 및 프로토타입 NPU 결과를 확인할 수 있습니다.
-
NVIDIA DGX Spark: NVIDIA DGX Spark 디바이스에 YOLO 모델을 배포하기 위한 빠른 시작 가이드입니다.
-
NVIDIA Jetson: NVIDIA Jetson 디바이스에 YOLO 모델을 배포하기 위한 빠른 시작 가이드입니다.
-
NXP i.MX95: Neutron SDK 3.3.0을 사용해 보정된 INT8 YOLO 모델을 i.MX95 Neutron NPU용으로 컴파일하세요.
-
Qualcomm QNN: ONNX Runtime QNN 실행 공급자를 사용해 Ultralytics YOLO 모델을 QNN(AI Engine Direct) 컨텍스트 바이너리 형식으로 로컬에서 컴파일합니다. 이를 통해 모바일 및 엣지 디바이스의 Snapdragon CPU, Adreno GPU 및 Hexagon NPU 하드웨어에서 가속 추론을 수행할 수 있습니다.
-
Raspberry Pi: 최신 Raspberry Pi 하드웨어에서 YOLO 모델을 실행하는 빠른 시작 튜토리얼입니다.
-
Rockchip RKNN: Rockchip이 개발한 RKNN은 Rockchip 하드웨어 플랫폼, 특히 NPU에 최적화된 신경망 추론 프레임워크로, 엣지 디바이스에서 실시간 AI 추론을 지원합니다.
-
Seeed Studio reCamera: Seeed Studio가 개발한 reCamera는 실시간 컴퓨터 비전 애플리케이션을 위한 엣지 AI 디바이스입니다. RISC-V 기반 SG200X 프로세서를 탑재해 에너지 효율적인 AI 추론을 수행하며, 모듈형 설계와 동영상 처리 기능을 바탕으로 안전 모니터링, 환경 분야 애플리케이션, 제조업 등의 사용 사례에 적합합니다.
-
Sony IMX500: IMX500 센서가 탑재된 Raspberry Pi AI 카메라에서 Ultralytics YOLOv8n 및 YOLO11n 모델을 최적화하고 배포해 빠르고 저전력으로 실행하세요.
-
ST Edge AI:
format="stedgeai"을 사용하여 Ultralytics YOLO를 STMicroelectronics STM32 디바이스용 부동 소수점 또는 INT8 ONNX 모델로 내보내고, 컴퓨터에서 정확도를 확인한 다음 ST Edge AI Core로 컴파일합니다.
서빙 및 파이프라인#
-
Intel DL Streamer: DL Streamer와 OpenVINO™를 사용해 Intel Core Ultra Series 3 기기에 YOLO26 모델을 배포하는 빠른 시작 가이드입니다.
-
NVIDIA DALI: NVIDIA DALI를 사용해 GPU에서 YOLO 레터박스 리사이즈, 패딩 및 정규화를 실행하고, Triton Inference Server와 통합하여 CPU 전처리 병목 현상을 제거하세요.
-
NVIDIA DeepStream: DeepStream과 TensorRT를 사용해 NVIDIA Jetson 기기에 YOLO 모델을 배포하는 빠른 시작 가이드입니다.
-
NVIDIA Triton: 확장 가능하고 효율적인 딥러닝 추론 배포를 위해 Ultralytics YOLO26을 NVIDIA Triton Inference Server와 통합하세요.
-
ROS: 포인트 클라우드와 깊이 이미지를 포함한 로보틱스 애플리케이션에서 실시간 객체 탐지를 수행하도록 YOLO를 로봇 운영 체제(ROS)와 통합하는 방법을 알아보세요.
데이터 및 학습#
-
Albumentations: Ultralytics 학습 중 추가 이미지 증강을 적용해 모델의 견고성과 일반화 성능을 높일 수 있습니다.
-
ClearML: Ultralytics ML 워크플로를 자동화하고, 실험을 추적하며, 팀으로 협업할 수 있습니다.
-
Comet: 머신러닝 실험을 추적, 비교 및 최적화하여 Ultralytics를 통한 모델 개발을 향상하세요.
-
DVC: Ultralytics 머신러닝 프로젝트에 버전 관리를 적용하고, 데이터, 코드 및 모델을 효율적으로 동기화합니다.
-
MLflow: 실험 및 재현성 관리부터 배포까지 Ultralytics 모델의 전체 ML 수명 주기를 간소화합니다.
-
Ray Tune: 모든 규모에서 Ultralytics 모델의 하이퍼파라미터 튜닝을 수행할 수 있습니다.
-
Roboflow: Ultralytics 모델용 데이터셋 라벨링 및 관리를 지원하며, 이미지 라벨링 도구를 제공합니다.
-
TensorBoard: Ultralytics 학습 실행을 시각화하고 모델 지표를 모니터링할 수 있습니다.
-
Weights & Biases (W&B): 실험을 모니터링하고 메트릭을 시각화하며, Ultralytics 프로젝트의 재현성과 협업을 촉진합니다.
클라우드 및 노트북#
-
Amazon SageMaker: Amazon SageMaker를 사용하면 ML 수명 주기 전반에 걸쳐 하나의 플랫폼에서 Ultralytics 모델을 구축하고 학습시키고 배포할 수 있습니다.
-
Google Colab: 협업과 공유를 지원하는 클라우드 환경에서 Google Colab을 사용해 Ultralytics 모델을 학습하고 평가하세요.
-
Google Vertex AI: Docker로 YOLO 모델을 컨테이너화하고 Google Cloud Vertex AI에 배포하는 간소화된 가이드입니다. 빌드, 푸시, 자동 확장 및 모니터링을 다룹니다.
-
IBM watsonx: 데이터 관리 및 모델 거버넌스를 위한 IBM 도구와 함께 IBM watsonx.ai 노트북에서 Ultralytics 모델을 학습하고 평가하세요.
-
JupyterLab: JupyterLab의 대화형 맞춤형 환경을 사용해 Ultralytics 모델을 학습하고 평가할 수 있습니다.
-
Kaggle: 사전 설치된 라이브러리, GPU 지원, 협업과 공유를 위한 활발한 커뮤니티를 갖춘 클라우드 환경에서 Kaggle을 사용해 Ultralytics 모델을 학습하고 평가하는 방법을 살펴보세요.
-
Microsoft AzureML: Microsoft의 Azure 머신러닝 플랫폼에서 Ultralytics YOLO 모델을 시작하고 실행하세요. 클라우드에서 객체 탐지 프로젝트를 학습, 배포 및 확장하는 방법을 알아보세요.
-
Modal: 자동 GPU 프로비저닝, 초 단위 과금, 추론 및 학습 워크로드를 위한 자동 확장을 지원하는 Modal 서버리스 클라우드 플랫폼에서 Ultralytics 모델을 실행할 수 있습니다.
-
Paperspace Gradient: Paperspace Gradient 클라우드 GPU와 노트북을 사용해 YOLO26 모델을 학습하고 테스트하고 배포할 수 있습니다.
-
Ultralytics Platform: 브라우저에서 Ultralytics 모델을 학습하고 관리하고 배포할 수 있으며, 공식 사전 학습 모델과 데이터셋을 다운로드할 수 있습니다.
개발자 도구#
-
Agent Skills: 데이터셋, 학습, 추론 및 내보내기를 다루는 공식 스킬을 통해 Claude Code, Codex, Cursor, Gemini CLI와 같은 AI 코딩 에이전트에 Ultralytics YOLO 워크플로 전체를 학습시킵니다.
-
Gradio: Gradio를 사용해 실시간 대화형 객체 탐지 데모용 Ultralytics 모델을 배포하세요.
-
VS Code: Ultralytics 개발 워크플로를 가속하는 코드 스니펫과 누구나 학습을 시작하거나 예제를 살펴볼 수 있도록 돕는 사례를 제공하는 VS Code 확장 프로그램입니다.
-
YAML2ModelGraph: Ultralytics YOLO YAML 구성 파일에서 바로 출판용 SVG 아키텍처 다이어그램을 생성합니다.
통합 기능 개발에 참여하세요#
Ultralytics YOLO를 다른 기술, 도구, 플랫폼과 통합하는 커뮤니티 가이드를 환영합니다. YOLO를 새로운 시스템과 성공적으로 통합했거나 공유할 만한 유용한 인사이트가 있다면 통합 문서에 기여해 주세요.
가이드나 튜토리얼을 작성하면 문서를 확장하고 커뮤니티에 도움이 되는 실제 사례를 제공할 수 있습니다.
기여하려면 기여 가이드의 안내에 따라 Pull Request (PR)를 제출하세요.
자주 묻는 질문#
Ultralytics Platform은 Ultralytics 모델을 사용하는 엔드투엔드 머신러닝 워크플로를 위한 클라우드 기반 플랫폼입니다. 데이터셋을 업로드하고 주석을 추가하고, 클라우드 GPU에서 모델을 학습시키고, 실험을 추적하고, 많은 코드를 작성하지 않고도 YOLO 모델을 배포할 수 있습니다. 이 플랫폼은 데이터 준비부터 배포까지 전체 ML 파이프라인을 위한 중앙 작업 공간입니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.

