Link to this sectionUltralytics 통합#

Ultralytics 통합 페이지에 오신 것을 환영합니다! 이 페이지는 머신러닝 워크플로우를 간소화하고, 데이터셋 관리를 개선하며, 모델 학습을 단순화하고, 효율적인 배포를 촉진하도록 설계된 다양한 도구 및 플랫폼과의 파트너십 개요를 제공합니다.

Link to this section학습 통합#

• Albumentations: 강력한 이미지 증강 기술로 Ultralytics 모델을 강화하여 모델의 견고성과 일반화 성능을 향상시킵니다.

• Amazon SageMaker: Amazon SageMaker를 활용하여 Ultralytics 모델을 효율적으로 빌드, 학습 및 배포하십시오. 머신러닝 라이프사이클을 위한 올인원 플랫폼을 제공합니다.

• ClearML: Ultralytics 머신러닝 워크플로우를 자동화하고, 실험을 모니터링하며, 팀 협업을 촉진하십시오.

• Comet ML: 머신러닝 실험을 추적, 비교 및 최적화하여 Ultralytics를 이용한 모델 개발을 향상시키십시오.

• DVC: 데이터, 코드 및 모델을 효과적으로 동기화하여 Ultralytics 머신러닝 프로젝트의 버전 관리를 구현하십시오.

• Google Colab: Google Colab을 사용하여 협업과 공유를 지원하는 클라우드 기반 환경에서 Ultralytics 모델을 학습 및 평가하십시오.

• IBM Watsonx: IBM Watsonx가 최첨단 AI 도구, 간편한 통합 및 고급 모델 관리 시스템을 통해 Ultralytics 모델의 학습과 평가를 어떻게 단순화하는지 확인해 보십시오.

• JupyterLab: JupyterLab의 대화형 및 맞춤형 환경을 사용하여 쉽고 효율적으로 Ultralytics 모델을 학습하고 평가하는 방법을 알아보십시오.

• Kaggle: 사전 설치된 라이브러리, GPU 지원 및 협업과 공유를 위한 활기찬 커뮤니티가 제공되는 클라우드 기반 환경에서 Kaggle을 사용하여 Ultralytics 모델을 학습하고 평가하는 방법을 살펴보십시오.

• Modal: 자동 GPU 프로비저닝, 초당 과금 방식, 추론 및 학습 워크플로우를 위한 원활한 확장을 제공하는 Modal의 서버리스 클라우드 플랫폼에서 Ultralytics 모델을 실행하십시오.

• MLFlow: 실험 및 재현성부터 배포에 이르기까지 Ultralytics 모델의 전체 머신러닝 라이프사이클을 간소화하십시오.

• Neptune: MLOps를 위해 설계된 이 메타데이터 저장소를 사용하여 Ultralytics 머신러닝 실험의 포괄적인 로그를 유지하십시오.

• Paperspace Gradient: Paperspace Gradient는 모델을 신속하게 학습, 테스트 및 배포할 수 있는 사용하기 쉬운 클라우드 도구를 제공하여 YOLO26 프로젝트 작업을 단순화합니다.

• Ray Tune: 모든 규모에서 Ultralytics 모델의 하이퍼파라미터를 최적화하십시오.

• TensorBoard: Ultralytics 머신러닝 워크플로우를 시각화하고, 모델 지표를 모니터링하며, 팀 협업을 촉진하십시오.

• Ultralytics Platform: 사전 학습된 Ultralytics 모델 커뮤니티에 액세스하고 기여하십시오.

• VS Code: Ultralytics 개발 워크플로우를 가속화하는 코드 스니펫을 제공하고 학습 및 시작을 돕는 예제를 제공하는 VS Code용 확장 프로그램입니다.

• Weights & Biases (W&B): Ultralytics 프로젝트에서 실험을 모니터링하고, 지표를 시각화하며, 재현성과 협업을 촉진하십시오.

Link to this section배포 통합#

• Axelera: 효율적인 엣지 추론을 위해 Ultralytics 모델을 실행하는 Metis 가속기와 Voyager SDK를 살펴보십시오.

• CoreML: Apple이 개발한 CoreML은 Apple 하드웨어를 사용하여 효과적이고 안전하게 모델 배포를 수행하며, iOS, macOS, watchOS 및 tvOS 애플리케이션 전반에 머신러닝 모델을 효율적으로 통합하도록 설계된 프레임워크입니다.

• DEEPX: Ultralytics YOLO 모델을 DEEPX .dxnn 형식으로 내보내어, 임베디드 및 엣지 AI 애플리케이션을 대상으로 하는 DEEPX NPU 하드웨어에서 전력 효율적인 INT8 추론을 수행하십시오.

• ExecuTorch: Meta에서 개발한 ExecuTorch는 엣지 장치에 Ultralytics YOLO 모델을 배포하기 위한 PyTorch의 통합 솔루션입니다.

• Gradio: 실시간 대화형 객체 탐지 데모를 위해 Gradio로 Ultralytics 모델을 배포하십시오.

• Hailo: Hailo-8, Hailo-8L, Raspberry Pi AI Kit 및 Hailo-15 장치를 위해 Hailo의 외부 Dataflow Compiler를 사용하여 Ultralytics YOLO 탐지 모델을 ONNX에서 Hailo HEF로 변환하십시오.

• MNN: Alibaba에서 개발한 MNN은 매우 효율적이고 가벼운 딥러닝 프레임워크입니다. 딥러닝 모델의 추론 및 학습을 지원하며 온디바이스 추론 및 학습 분야에서 업계 최고 수준의 성능을 자랑합니다.

• NCNN: Tencent에서 개발한 NCNN은 모바일 장치에 맞춤화된 효율적인 신경망 추론 프레임워크입니다. AI 모델을 앱에 직접 배포할 수 있으며 다양한 모바일 플랫폼 전반에서 성능을 최적화합니다.

• Neural Magic: QAT(Quantization Aware Training) 및 가지치기 기술을 활용하여 더 뛰어난 성능과 더 가벼운 크기를 위해 Ultralytics 모델을 최적화하십시오.

• ONNX: 다양한 프레임워크 간의 AI 모델 전송을 촉진하여 Ultralytics 모델의 범용성과 배포 유연성을 향상시키기 위해 Microsoft가 만든 오픈 소스 형식입니다.

• OpenVINO: 다양한 Intel CPU 및 GPU 플랫폼 전반에서 컴퓨터 비전 모델을 효율적으로 최적화하고 배포하기 위한 Intel의 툴킷입니다.

• PaddlePaddle: Baidu의 오픈 소스 딥러닝 플랫폼인 PaddlePaddle은 AI 모델의 효율적인 배포를 가능하게 하며 산업 애플리케이션의 확장성에 중점을 둡니다.

• Qualcomm QNN: 모바일 및 엣지 장치의 Snapdragon CPU, Adreno GPU 및 Hexagon NPU 하드웨어에서 가속화된 추론을 위해 ONNX Runtime QNN Execution Provider를 사용하여 Ultralytics YOLO 모델을 QNN(AI Engine Direct) 컨텍스트 이진 형식으로 로컬에서 컴파일하십시오.

• Rockchip RKNN: Rockchip에서 개발한 RKNN은 Rockchip의 하드웨어 플랫폼, 특히 NPU에 최적화된 특수 신경망 추론 프레임워크입니다. 엣지 장치에서의 효율적인 AI 모델 배포를 지원하여 실시간 애플리케이션에서 고성능 추론을 가능하게 합니다.

• Seeed Studio reCamera: Seeed Studio에서 개발한 reCamera는 실시간 컴퓨터 비전 애플리케이션을 위해 설계된 고급 엣지 AI 장치입니다. RISC-V 기반 SG200X 프로세서로 구동되어 에너지 효율성과 함께 고성능 AI 추론을 제공합니다. 모듈식 설계, 고급 비디오 처리 기능 및 유연한 배포 지원을 통해 안전 모니터링, 환경 애플리케이션 및 제조를 포함한 다양한 사용 사례에 이상적인 선택입니다.

• SONY IMX500: 빠르고 저전력 성능을 위해 IMX500 센서가 탑재된 Raspberry Pi AI 카메라에서 Ultralytics YOLO26 모델을 최적화하고 배포하십시오.

• TensorRT: NVIDIA에서 개발한 이 고성능 딥러닝 추론 프레임워크 및 모델 형식은 NVIDIA GPU에서 가속화된 속도와 효율성을 위해 AI 모델을 최적화하며 원활한 배포를 보장합니다.

• TF GraphDef: Google에서 개발한 GraphDef는 계산 그래프를 표현하기 위한 TensorFlow 형식으로, 다양한 하드웨어 전반에서 머신러닝 모델의 최적화된 실행을 가능하게 합니다.

• TF SavedModel: Google에서 개발한 TF SavedModel은 TensorFlow 모델을 위한 범용 직렬화 형식으로, 서버부터 엣지 장치에 이르기까지 다양한 플랫폼에서 쉽게 공유하고 배포할 수 있습니다.

• TF.js: 브라우저 및 Node.js에서의 머신러닝을 촉진하기 위해 Google에서 개발한 TF.js는 JavaScript 기반의 ML 모델 배포를 지원합니다.

• TFLite: Google에서 개발한 TFLite는 모바일 및 엣지 장치에 머신러닝 모델을 배포하기 위한 경량 프레임워크로, 최소한의 메모리 점유율로 빠르고 효율적인 추론을 보장합니다.

• TFLite Edge TPU: Edge TPU에서 TensorFlow Lite 모델을 최적화하기 위해 Google에서 개발한 이 모델 형식은 고속의 효율적인 엣지 컴퓨팅을 보장합니다.

• TorchScript: PyTorch 프레임워크의 일부로 개발된 TorchScript는 Python 종속성 없이 다양한 프로덕션 환경에서 머신러닝 모델의 효율적인 실행 및 배포를 가능하게 합니다.

Link to this section데이터셋 통합#

• Roboflow: Ultralytics 모델을 위한 데이터셋 라벨링 및 관리를 촉진하며 이미지 라벨링을 위한 주석 도구를 제공합니다.

Link to this section내보내기 형식#

또한 다양한 환경에서의 배포를 위해 여러 모델 내보내기 형식을 지원합니다. 사용 가능한 형식은 다음과 같습니다:

각 통합에 대해 자세히 알아보고 Ultralytics를 통해 최대한 활용하는 방법을 알아보려면 링크를 탐색하십시오. 전체 export 세부 정보는 내보내기 페이지를 참조하십시오.

Link to this section통합에 기여하기#

커뮤니티가 Ultralytics YOLO를 다른 기술, 도구 및 플랫폼과 어떻게 통합하는지 항상 기대하고 있습니다! YOLO를 새로운 시스템과 성공적으로 통합했거나 공유할 가치 있는 통찰력이 있다면 통합 문서 기여를 고려해 보십시오.

가이드나 튜토리얼을 작성함으로써 문서를 확장하고 커뮤니티에 도움이 되는 실제 사례를 제공할 수 있습니다. 이는 Ultralytics YOLO를 중심으로 성장하는 생태계에 기여하는 아주 좋은 방법입니다.

기여하려면 풀 리퀘스트(PR) 🛠️ 제출 방법에 대한 기여 가이드를 확인해 주십시오. 여러분의 기여를 기다립니다!

함께 협력하여 Ultralytics YOLO 생태계를 더욱 확장하고 풍부한 기능을 갖추도록 만들어 봅시다 🙏!

Link to this sectionFAQ#

Link to this sectionUltralytics Platform이란 무엇이며, ML 워크플로우를 어떻게 간소화합니까?#

Ultralytics Platform은 Ultralytics 모델을 위한 머신러닝 워크플로우를 원활하고 효율적으로 만들기 위해 설계된 클라우드 기반 플랫폼입니다. 이 도구를 사용하면 광범위한 코딩 기술 없이도 데이터셋을 쉽게 업로드하고, 모델을 학습하고, 실시간 추적을 수행하고, YOLO 모델을 배포할 수 있습니다. 이 플랫폼은 데이터 준비부터 배포에 이르기까지 전체 ML 파이프라인을 관리할 수 있는 중앙 집중식 워크스페이스 역할을 합니다. Ultralytics Platform 페이지에서 주요 기능을 살펴보고 퀵스타트 가이드를 통해 빠르게 시작할 수 있습니다.

Link to this sectionMLFlow를 사용하여 Ultralytics 모델의 성능을 추적할 수 있습니까?#

네, 가능합니다. MLFlow를 Ultralytics 모델과 통합하면 실험을 추적하고, 재현성을 개선하며, 전체 ML 라이프사이클을 간소화할 수 있습니다. 이 통합 설정에 대한 자세한 지침은 MLFlow 통합 페이지에서 찾을 수 있습니다. 이 통합은 모델 지표를 모니터링하고, 다양한 학습 실행을 비교하며, ML 워크플로우를 효율적으로 관리하는 데 특히 유용합니다. MLFlow는 매개변수, 지표 및 아티팩트를 기록할 수 있는 중앙 집중식 플랫폼을 제공하여 모델 동작을 이해하고 데이터 기반 개선을 수행하기 쉽게 만듭니다.

Link to this sectionYOLO26 모델 최적화를 위해 Neural Magic을 사용하면 어떤 이점이 있습니까?#

Neural Magic은 QAT(Quantization Aware Training) 및 가지치기와 같은 기술을 활용하여 YOLO26 모델을 최적화하며, 결과적으로 리소스가 제한된 하드웨어에서 더 나은 성능을 발휘하는 매우 효율적이고 더 작은 모델을 생성합니다. Neural Magic 통합 페이지를 확인하여 더 뛰어난 성능과 더 가벼운 모델을 위해 이러한 최적화를 구현하는 방법을 알아보십시오. 이는 계산 리소스가 제한된 엣지 장치 배포에 특히 유용합니다. Neural Magic의 DeepSparse 엔진은 CPU에서 최대 6배 빠른 추론을 제공하여 특수 하드웨어 없이도 복잡한 모델을 실행할 수 있게 합니다.

Link to this section대화형 데모를 위해 Gradio로 Ultralytics YOLO 모델을 배포하려면 어떻게 해야 합니까?#

To deploy Ultralytics YOLO models with Gradio for interactive object detection demos, you can follow the steps outlined on the Gradio integration page. Gradio allows you to create easy-to-use web interfaces for real-time model inference, making it an excellent tool for showcasing your YOLO model's capabilities in a user-friendly format suitable for both developers and end-users. With just a few lines of code, you can build interactive applications that demonstrate your model's performance on custom inputs, facilitating better understanding and evaluation of your computer vision solutions.