Ultralytics YOLO27:

Ultralytics 통합#

Ultralytics 통합 페이지에 오신 것을 환영합니다! 이 페이지에서는 다양한 도구 및 플랫폼과의 파트너십을 개괄적으로 소개하며, 머신 러닝 워크플로를 간소화하고, 데이터셋 관리를 개선하며, 모델 학습을 단순화하고, 효율적인 배포를 지원하도록 설계되었습니다.

Ultralytics YOLO ecosystem and integrations


Watch: Ultralytics YOLO Deployment and Integrations

학습 통합#

  • Agent Skills: 데이터셋, 학습, 추론 및 내보내기를 다루는 공식 스킬을 통해 Claude Code, Codex, Cursor, Gemini CLI와 같은 AI 코딩 에이전트에 완전한 Ultralytics YOLO 워크플로를 학습시킵니다.

  • Albumentations: 강력한 이미지 증강을 사용하여 Ultralytics 모델을 개선하고 모델의 견고성과 일반화 성능을 향상합니다.

  • Amazon SageMaker: Amazon SageMaker를 활용하여 Ultralytics 모델을 효율적으로 구축, 학습 및 배포하고, ML 수명 주기를 위한 올인원 플랫폼을 제공합니다.

  • AMD: PyTorch ROCm을 사용하여 지원되는 AMD GPU에서 Ultralytics 모델을 학습, 검증 및 실행하며, MIGraphX, DirectML 및 Ryzen AI NPU의 가용성을 명확하게 확인할 수 있습니다.

  • ClearML: Ultralytics ML 워크플로를 자동화하고, 실험을 모니터링하며, 팀 협업을 촉진합니다.

  • Comet ML: 머신 러닝 실험을 추적, 비교 및 최적화하여 Ultralytics를 활용한 모델 개발을 개선합니다.

  • DVC: Ultralytics 머신 러닝 프로젝트에 버전 제어를 구현하고, 데이터, 코드 및 모델을 효과적으로 동기화합니다.

  • Google Colab: 협업과 공유를 지원하는 클라우드 기반 환경에서 Google Colab을 사용하여 Ultralytics 모델을 학습하고 평가합니다.

  • IBM Watsonx: 최첨단 AI 도구, 간편한 통합 및 고급 모델 관리 시스템을 제공하는 IBM Watsonx가 Ultralytics 모델의 학습과 평가를 어떻게 간소화하는지 알아봅니다.

  • JupyterLab: JupyterLab의 대화형 맞춤 설정 환경을 사용하여 Ultralytics 모델을 쉽고 효율적으로 학습하고 평가하는 방법을 알아봅니다.

  • Kaggle: 사전 설치된 라이브러리, GPU 지원, 협업과 공유를 위한 활발한 커뮤니티를 갖춘 클라우드 기반 환경에서 Kaggle을 사용하여 Ultralytics 모델을 학습하고 평가하는 방법을 살펴봅니다.

  • Modal: 자동 GPU 프로비저닝, 초 단위 요금제 및 추론과 학습 워크로드를 위한 원활한 확장을 제공하는 Modal의 서버리스 클라우드 플랫폼에서 Ultralytics 모델을 실행합니다.

  • MLFlow: 실험 및 재현성부터 배포까지 Ultralytics 모델의 전체 ML 수명 주기를 간소화합니다.

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

  • Ray Tune: 어떤 규모에서든 Ultralytics 모델의 하이퍼파라미터를 최적화합니다.

  • TensorBoard: Ultralytics ML 워크플로를 시각화하고, 모델 메트릭을 모니터링하며, 팀 협업을 촉진합니다.

  • Ultralytics Platform: 브라우저에서 Ultralytics 모델을 학습, 관리 및 배포하고 공식 사전 학습된 모델과 데이터셋을 다운로드할 수 있습니다.

  • VS Code: Ultralytics 개발 워크플로를 가속화하는 코드 스니펫을 제공하고, 누구나 학습하거나 시작하는 데 도움이 되는 예제를 제공하는 VS Code용 확장 프로그램입니다.

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

  • YAML2ModelGraph: Ultralytics YOLO YAML 구성 파일에서 출판물에 바로 사용할 수 있는 SVG 아키텍처 다이어그램을 직접 생성합니다.

배포 통합#

  • Ambarella: SpongeTorch 압축 인식 학습과 오프라인 CVflow 툴체인을 사용하여 CV72와 같은 Ambarella CVflow® SoC용 Ultralytics YOLO 모델을 학습, 압축 및 내보냅니다.

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

  • Core AI: Apple의 새로운 .aimodel 형식, Core AI와 Core ML의 비교, 현재 제한 사항, 그리고 iOS 27 및 macOS 27 세대를 위해 format="coreai"를 사용하여 YOLO26 모델을 내보내는 방법을 알아봅니다.

  • CoreML: Apple이 개발한 CoreML은 Apple의 하드웨어를 사용하여 iOS, macOS, watchOS 및 tvOS 전반의 애플리케이션에 머신 러닝 모델을 효율적으로 통합하고 안전하게 모델 배포하도록 설계된 프레임워크입니다.

  • DEEPX: Ultralytics YOLO 모델을 DEEPX .dxnn 형식으로 내보내 DEEPX NPU 하드웨어에서 전력 효율적인 INT8 추론을 수행하며, 임베디드 및 엣지 AI 애플리케이션을 대상으로 합니다.

  • ExecuTorch: Meta가 개발한 ExecuTorch는 엣지 디바이스에 Ultralytics YOLO 모델을 배포하기 위한 PyTorch의 통합 솔루션입니다.

  • Gradio를 사용하여 실시간 대화형 객체 탐지 데모로 Ultralytics 모델을 배포합니다.

  • Hailo: Ultralytics YOLO 탐지, 세그멘테이션, 시맨틱 세그멘테이션, 깊이 추정, 분류, 포즈 및 OBB 모델을 Hailo HEF로 직접 내보냅니다. 검증된 모델과 대상은 통합 가이드를 참조하세요.

  • Huawei Ascend: CANN ATC 컴파일러를 사용하여 Ultralytics YOLO 모델을 Huawei Ascend .om 오프라인 형식으로 컴파일하고 Atlas 및 OrangePi AIPro 디바이스에서 FP16 추론을 수행합니다.

  • Luxonis: Luxonis Hub 또는 로컬 Luxonis 툴링을 사용하여 Ultralytics YOLO 모델을 변환하고 Luxonis OAK RVC2 및 RVC4 카메라에서 온디바이스로 실행합니다.

  • MNN: Alibaba가 개발한 MNN은 매우 효율적이고 경량인 딥 러닝 프레임워크입니다. 딥 러닝 모델의 추론과 학습을 지원하며, 디바이스에서 추론과 학습을 수행할 때 업계 최고 수준의 성능을 제공합니다.

  • NCNN: Tencent가 개발한 NCNN은 모바일 디바이스에 맞게 설계된 효율적인 신경망 추론 프레임워크입니다. AI 모델을 앱에 직접 배포할 수 있으며, 다양한 모바일 플랫폼에서 성능을 최적화합니다.

  • Neural Magic: 양자화 인식 학습 (QAT) 및 가지치기 기법을 활용하여 Ultralytics 모델을 최적화하고, 더 뛰어난 성능과 더 작은 크기를 구현합니다.

  • ONNX: Microsoft가 다양한 프레임워크 간 AI 모델 전송을 지원하기 위해 만든 오픈 소스 형식으로, Ultralytics 모델의 범용성과 배포 유연성을 향상합니다.

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

  • PaddlePaddle: Baidu가 개발한 오픈 소스 딥 러닝 플랫폼인 PaddlePaddle은 AI 모델의 효율적인 배포를 지원하며 산업 애플리케이션의 확장성에 중점을 둡니다.

  • Qualcomm QNN: ONNX Runtime QNN Execution Provider를 사용하여 Ultralytics YOLO 모델을 로컬에서 QNN (AI Engine Direct) 컨텍스트 바이너리 형식으로 컴파일하고, 모바일 및 엣지 디바이스의 Snapdragon CPU, Adreno GPU 및 Hexagon NPU 하드웨어에서 가속된 추론을 수행합니다.

  • Rockchip RKNN: Rockchip이 개발한 RKNN은 Rockchip 하드웨어 플랫폼, 특히 해당 플랫폼의 NPU에 최적화된 특수 신경망 추론 프레임워크입니다. 엣지 디바이스에 AI 모델을 효율적으로 배포하여 실시간 애플리케이션에서 고성능 추론을 지원합니다.

  • Seeed Studio reCamera: Seeed Studio가 개발한 reCamera는 실시간 컴퓨터 비전 애플리케이션을 위해 설계된 고급 엣지 AI 디바이스입니다. RISC-V 기반 SG200X 프로세서로 구동되며 에너지 효율적인 고성능 AI 추론을 제공합니다. 모듈식 설계, 고급 비디오 처리 기능 및 유연한 배포 지원을 갖추어 안전 모니터링, 환경 애플리케이션, 제조를 비롯한 다양한 사용 사례에 적합합니다.

  • SONY IMX500: IMX500 센서가 탑재된 Raspberry Pi AI Cameras에서 Ultralytics YOLO26 모델을 최적화하고 배포하여 빠르고 저전력인 성능을 구현합니다.

  • TensorRT: NVIDIA가 개발한 이 고성능 딥 러닝 추론 프레임워크 및 모델 형식은 NVIDIA GPU에서 AI 모델의 속도와 효율성을 높이도록 최적화하여 원활한 배포를 보장합니다.

  • TF GraphDef: Google이 개발한 GraphDef는 계산 그래프를 표현하는 TensorFlow의 형식으로, 다양한 하드웨어에서 머신 러닝 모델을 최적화하여 실행할 수 있도록 지원합니다.

  • TF SavedModel: Google이 개발한 TF SavedModel은 TensorFlow 모델을 위한 범용 직렬화 형식으로, 서버부터 엣지 디바이스까지 광범위한 플랫폼에서 쉽게 공유하고 배포할 수 있도록 지원합니다.

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

  • LiteRT: Google이 개발한 LiteRT (이전 명칭 TensorFlow Lite)는 .tflite 형식을 위한 온디바이스 런타임으로, 모바일, 임베디드, 엣지 및 브라우저 (LiteRT.js 사용)에 단일 모델을 배포합니다.

  • TorchScript: PyTorch 프레임워크의 일부로 개발된 TorchScript는 Python 종속성 없이 다양한 프로덕션 환경에서 머신 러닝 모델을 효율적으로 실행하고 배포할 수 있도록 지원합니다.

데이터셋 통합#

  • Roboflow: 이미지에 라벨을 지정할 수 있는 어노테이션 도구를 제공하여 Ultralytics 모델의 데이터셋 라벨링 및 관리를 지원합니다.

내보내기 형식#

또한 다양한 환경에 배포할 수 있도록 여러 모델 내보내기 형식을 지원합니다. 사용 가능한 형식은 다음과 같습니다.

형식format Argument모델MetadataArguments
PyTorch-yolo26n.pt✅-
TorchScripttorchscriptyolo26n.torchscript✅imgsz, quantize, dynamic, nms, batch, device
ONNXonnxyolo26n.onnx✅imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device
OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, quantize, dynamic, nms, batch, data, fraction, device
TensorRTengineyolo26n.engine✅imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device
CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, quantize, nms, batch, device
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, keras, quantize, opset, nms, batch, data, fraction, device
TF GraphDefpbyolo26n.pb❌imgsz, opset, batch, device
TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, quantize, opset, data, fraction, device
PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
MNNmnnyolo26n.mnn✅imgsz, batch, dynamic, quantize, simplify, opset, nms, device
NCNNncnnyolo26n_ncnn_model/✅imgsz, quantize, batch, device
IMX500imxyolo26n_imx_model/✅imgsz, quantize, data, fraction, nms, device
RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, quantize, data, fraction, device
DEEPXdeepxyolo26n_deepx_model/✅imgsz, quantize, simplify, opset, data, optimize, device
Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize

nms=None은(는) 외부 NMS에 대해 기본적으로 원시 출력을 사용합니다. 사용 가능한 NMS 프리 헤드를 선택하려면 nms=False을(를) 설정하세요. 지원되지 않는 형식은 기본 출력 경로로 대체됩니다. 위의 nms 항목은 nms=True(으)로 NMS를 임베드할 수 있는 형식을 식별합니다.

각 통합에 대해 자세히 알아보고 Ultralytics와 함께 최대한 활용하려면 링크를 확인하세요. 전체 export 세부 정보는 내보내기 페이지에서 확인할 수 있습니다.

통합에 기여하기#

커뮤니티에서 Ultralytics YOLO를 다른 기술, 도구 및 플랫폼과 어떻게 통합하는지 확인하는 것은 언제나 기대되는 일입니다! YOLO를 새로운 시스템과 성공적으로 통합했거나 공유할 만한 유용한 인사이트가 있다면 통합 문서에 기여하기를 고려해 보세요.

가이드나 튜토리얼을 작성하면 문서를 확장하고 커뮤니티에 도움이 되는 실제 사례를 제공할 수 있습니다. 이는 성장하는 Ultralytics YOLO 생태계에 기여하는 훌륭한 방법입니다.

기여하려면 풀 리퀘스트 (PR) 제출 방법에 대한 안내를 확인할 수 있도록 기여 가이드를 참조하세요 🛠️. 여러분의 기여를 기대하겠습니다!

Ultralytics YOLO 생태계를 더욱 확장하고 풍부한 기능을 갖추도록 함께 협력해 보세요 🙏!

FAQ#

  • Ultralytics Platform은 Ultralytics 모델의 머신 러닝 워크플로를 원활하고 효율적으로 만들도록 설계된 클라우드 기반 플랫폼입니다. 이 도구를 사용하면 광범위한 코딩 기술 없이도 데이터셋을 쉽게 업로드하고, 모델을 학습하며, 실시간 트래킹을 수행하고, YOLO 모델을 배포할 수 있습니다. 이 플랫폼은 데이터 준비부터 배포까지 전체 ML 파이프라인을 관리할 수 있는 중앙 집중식 작업 공간 역할을 합니다. Ultralytics Platform 페이지에서 주요 기능을 살펴보고 빠른 시작 가이드를 통해 신속하게 시작할 수 있습니다.

  • 예, 가능합니다. MLFlow를 Ultralytics 모델과 통합하면 실험을 추적하고, 재현성을 개선하며, 전체 ML 수명 주기를 간소화할 수 있습니다. 이 통합 설정에 대한 자세한 지침은 MLFlow 통합 페이지에서 확인할 수 있습니다. 이 통합은 모델 메트릭을 모니터링하고, 서로 다른 학습 실행을 비교하며, ML 워크플로를 효율적으로 관리하는 데 특히 유용합니다. MLFlow는 매개변수, 메트릭 및 아티팩트를 기록할 수 있는 중앙 집중식 플랫폼을 제공하므로 모델 동작을 파악하고 데이터 기반 개선을 수행하기가 쉬워집니다.

  • Neural Magic은 양자화 인식 학습 (QAT) 및 가지치기와 같은 기법을 활용하여 YOLO26 모델을 최적화하므로, 리소스가 제한된 하드웨어에서 더 뛰어난 성능을 발휘하는 매우 효율적이고 작은 모델을 구현할 수 있습니다. 이러한 최적화를 구현하여 더 뛰어난 성능과 더 작은 모델을 달성하는 방법은 Neural Magic 통합 페이지에서 확인하세요. 이는 컴퓨팅 리소스가 제한된 엣지 디바이스에 배포할 때 특히 유용합니다. Neural Magic의 DeepSparse 엔진은 CPU에서 최대 6배 빠른 추론을 제공하여 특수 하드웨어 없이도 복잡한 모델을 실행할 수 있도록 합니다.

  • 대화형 객체 탐지 데모를 위해 Gradio로 Ultralytics YOLO 모델을 배포하려면 Gradio 통합 페이지에 설명된 단계를 따르면 됩니다. Gradio를 사용하면 실시간 모델 추론을 위한 사용하기 쉬운 웹 인터페이스를 만들 수 있으므로, 개발자와 최종 사용자 모두에게 적합한 사용자 친화적인 형식으로 YOLO 모델의 기능을 소개하는 데 유용합니다. 몇 줄의 코드만으로 사용자 지정 입력에 대한 모델 성능을 보여주는 대화형 애플리케이션을 구축하여 컴퓨터 비전 솔루션을 더욱 효과적으로 이해하고 평가할 수 있습니다.

기여자
GLglenn-jocher37ABabirami-vina18AMambitious-octopus6BUBurhan-Q6JEJESUSROYETH4RIRizwanMunawar4RAraimbekovm3PDpderrenger2KLklemen19991DADaisuke Majima1JAJaviChulvi1RARahulbiradar91LAlakshanthad1DEdeepx-dgkim1LEleonnil1IVIvorZhu3311LALaughing-q1WAwangzhaode1JKjk4e1

댓글