Ultralytics YOLO27:
Get Started

Ultralytics 통합#

Ultralytics 통합 페이지에 오신 것을 환영합니다! 이 페이지에서는 머신러닝 워크플로를 간소화하고, 데이터셋 관리를 개선하며, 모델 학습을 간편하게 하고, 효율적인 배포를 지원하도록 설계된 다양한 도구 및 플랫폼과의 파트너십을 소개합니다.

Ultralytics YOLO ecosystem and integrations


시청: Ultralytics YOLO 배포 및 통합

학습 통합#

  • 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.

  • Albumentations: 강력한 이미지 증강 기능으로 Ultralytics 모델을 개선해 모델의 견고성과 일반화 성능을 높입니다.

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

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

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

  • DVC: Ultralytics 머신러닝 프로젝트에 버전 관리를 적용하고, 데이터, 코드 및 모델을 효율적으로 동기화합니다.

  • Google Colab: 협업과 공유를 지원하는 클라우드 환경에서 Google Colab을 사용해 Ultralytics 모델을 학습하고 평가하세요.

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

  • JupyterLab: JupyterLab의 대화형 맞춤형 환경을 활용해 Ultralytics 모델을 쉽고 효율적으로 학습하고 평가하는 방법을 알아보세요.

  • Kaggle: 사전 설치된 라이브러리, GPU 지원, 협업 및 공유를 위한 활발한 커뮤니티를 갖춘 클라우드 환경에서 Kaggle로 Ultralytics 모델을 학습하고 평가하는 방법을 살펴보세요.

  • Modal: 자동 GPU 프로비저닝, 초 단위 과금 및 원활한 확장을 제공하는 Modal의 서버리스 클라우드 플랫폼에서 추론 및 학습 워크로드용 Ultralytics 모델을 실행하세요.

  • MLFlow: 실험과 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 제공해 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 학습 모델과 데이터셋을 다운로드하세요.

  • VS Code: Ultralytics 개발 워크플로를 가속하는 코드 스니펫과 누구나 학습을 시작하거나 예제를 살펴볼 수 있도록 돕는 사례를 제공하는 VS Code 확장 프로그램입니다.

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

  • YAML2ModelGraph: Ultralytics YOLO YAML 구성 파일에서 바로 출판용 SVG 아키텍처 다이어그램을 생성합니다.

배포 통합#

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

  • AMD: Ultralytics YOLO를 ONNX로 내보내고 ROCm의 ONNX Runtime MIGraphX 실행 공급자를 통해 AMD Instinct 및 Radeon GPU에서 GPU 가속 추론을 실행합니다. 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: 효율적인 엣지 추론으로 Ultralytics 모델을 실행하는 Metis 가속기와 Voyager SDK를 살펴보세요.

  • Core AI: Apple의 새로운 .aimodel 형식과 Core AI와 Core ML의 차이점, 현재의 제한 사항, iOS 27 및 macOS 27 세대용 YOLO26 모델을 format="coreai"로 내보내는 방법을 알아보세요.

  • CoreML: Apple이 개발한 CoreML은 Apple 하드웨어를 활용해 iOS, macOS, watchOS 및 tvOS 애플리케이션에 머신러닝 모델을 효율적이고 안전하게 통합하도록 설계된 프레임워크로, 효과적인 모델 배포를 지원합니다.

  • DEEPX: 임베디드 및 엣지 AI 애플리케이션을 대상으로 DEEPX NPU 하드웨어에서 전력 효율적인 INT8 추론을 수행할 수 있도록 Ultralytics YOLO 모델을 DEEPX .dxnn 형식으로 내보냅니다.

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

  • Gradio: Gradio를 사용해 실시간 대화형 객체 탐지 데모용 Ultralytics 모델을 배포하세요.

  • Hailo: Ultralytics YOLO 탐지, 분할, 시맨틱 분할, 깊이 추정, 분류, 포즈 및 OBB 모델을 Hailo HEF로 직접 내보내세요. 검증된 모델과 타깃은 통합 가이드를 참조하세요.

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

  • Luxonis: Luxonis Hub 또는 로컬 Luxonis 도구를 사용해 Ultralytics YOLO 모델을 변환하고, Luxonis OAK RVC2 및 RVC4 카메라에서 직접 실행하세요.

  • MNN: Alibaba가 개발한 MNN은 효율성이 뛰어나고 경량인 딥러닝 프레임워크입니다. 딥러닝 모델의 추론과 학습을 지원하며, 디바이스에서 추론과 학습을 수행할 때 업계 최고 수준의 성능을 제공합니다.

  • NCNN: Tencent가 개발한 NCNN은 모바일 디바이스에 최적화된 효율적인 신경망 추론 프레임워크입니다. 다양한 모바일 플랫폼에서 성능을 최적화하여 AI 모델을 앱에 직접 배포할 수 있습니다.

  • Neural Magic: 양자화 인식 학습(QAT)과 가지치기 기법을 활용해 Ultralytics 모델의 성능을 높이고 크기를 줄입니다.

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

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

  • PaddlePaddle: Baidu가 개발한 오픈 소스 딥러닝 플랫폼인 PaddlePaddle은 AI 모델의 효율적인 배포를 지원하며 산업용 애플리케이션의 확장성에 중점을 둡니다.

  • 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.

  • Rockchip RKNN: Rockchip이 개발한 RKNN은 Rockchip 하드웨어 플랫폼, 특히 NPU에 최적화된 신경망 추론 프레임워크입니다. 이를 통해 엣지 디바이스에 AI 모델을 효율적으로 배포하고 실시간 애플리케이션에서 고성능 추론을 수행할 수 있습니다.

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

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

  • TensorRT: NVIDIA가 개발한 이 고성능 딥러닝 추론 프레임워크 및 모델 형식은 NVIDIA GPU에서 AI 모델의 속도와 효율성을 높여 배포를 간소화합니다.

  • 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 모델을 위한 범용 직렬화 형식으로, 서버에서 엣지 디바이스에 이르기까지 다양한 플랫폼에서 모델을 쉽게 공유하고 배포할 수 있게 합니다.

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

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

  • TorchScript: PyTorch 프레임워크의 일부로 개발된 TorchScript를 사용하면 Python 종속성 없이 다양한 프로덕션 환경에서 머신러닝 모델을 효율적으로 실행하고 배포할 수 있습니다.

데이터셋 통합#

  • Roboflow: Ultralytics 모델용 데이터셋 라벨링 및 관리를 지원하며, 이미지 라벨링 도구를 제공합니다.

내보내기 형식#

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

형식format 인수모델메타데이터인수
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
Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize
TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, 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
LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, 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
Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou, device
Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms, device
AMD Xilinxxilinxyolo26n_xilinx_model/✅imgsz, name, quantize, data, fraction, opset, simplify, device

nms=None은 외부 NMS를 위한 원시 출력을 기본값으로 사용합니다. 사용 가능한 NMS-free head를 선택하려면 nms=False을 설정합니다. 지원되지 않는 형식은 해당 형식의 기본 출력 경로로 대체됩니다. 위의 nms 항목은 nms=True을 사용해 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.

통합 기능 개발에 참여하세요#

커뮤니티에서 Ultralytics YOLO를 다른 기술, 도구 및 플랫폼과 통합하는 다양한 사례를 공유해 주시면 기쁘겠습니다! YOLO를 새로운 시스템과 성공적으로 통합했거나 공유할 만한 유용한 정보가 있다면 통합 문서 개선에 참여해 보세요.

가이드나 튜토리얼을 작성하면 문서를 확장하고 커뮤니티에 도움이 되는 실제 사례를 제공할 수 있습니다. Ultralytics YOLO를 중심으로 성장하는 생태계에 기여할 수 있는 훌륭한 방법입니다.

기여 방법은 기여 가이드에서 Pull Request(PR)를 제출하는 방법을 확인하세요 🛠️. 여러분의 기여를 기다리겠습니다!

Ultralytics YOLO 생태계를 더욱 넓고 풍부한 기능을 갖춘 생태계로 발전시키기 위해 함께 협력해 주세요 🙏!

자주 묻는 질문#

  • Ultralytics Platform은 Ultralytics 모델의 머신러닝 워크플로를 원활하고 효율적으로 만들기 위해 설계된 클라우드 기반 플랫폼입니다. 이 도구를 사용하면 전문적인 코딩 기술 없이도 데이터셋을 간편하게 업로드하고, 모델을 학습시키고, 실시간 추적을 수행하고, YOLO 모델을 배포할 수 있습니다. 이 플랫폼은 데이터 준비부터 배포까지 전체 ML 파이프라인을 관리할 수 있는 중앙 작업 공간입니다. Ultralytics Platform 페이지에서 주요 기능을 살펴보고 빠른 시작 가이드를 통해 빠르게 시작해 보세요.

  • 예, 가능합니다. MLFlow를 Ultralytics 모델과 통합하면 실험을 추적하고 재현성을 높이며 전체 ML 수명 주기를 간소화할 수 있습니다. 이 통합을 설정하는 자세한 방법은 MLFlow 통합 페이지에서 확인할 수 있습니다. 이 통합은 모델 메트릭을 모니터링하고, 여러 학습 실행을 비교하고, ML 워크플로를 효율적으로 관리할 때 특히 유용합니다. MLFlow는 매개변수, 메트릭 및 아티팩트를 기록하는 중앙 플랫폼을 제공하므로 모델 동작을 더 쉽게 파악하고 데이터 기반으로 개선할 수 있습니다.

  • Neural Magic은 양자화 인식 학습(QAT) 및 가지치기와 같은 기법을 활용해 YOLO26 모델을 최적화하여, 리소스가 제한된 하드웨어에서도 더 나은 성능을 내는 고효율의 소형 모델을 구현합니다. 이러한 최적화를 적용해 더 나은 성능과 작은 모델 크기를 달성하는 방법은 Neural Magic 통합 페이지에서 확인하세요. 컴퓨팅 리소스가 제한된 엣지 디바이스에 배포할 때 특히 유용합니다. Neural Magic의 DeepSparse 엔진은 CPU에서 최대 6배 빠른 추론을 제공하므로 특수 하드웨어 없이도 복잡한 모델을 실행할 수 있습니다.

  • 대화형 객체 탐지 데모용 Ultralytics YOLO 모델을 Gradio로 배포하려면 Gradio 통합 페이지에 안내된 단계를 따르세요. Gradio를 사용하면 실시간 모델 추론을 위한 사용하기 쉬운 웹 인터페이스를 만들 수 있으므로, 개발자와 최종 사용자 모두에게 적합한 사용자 친화적인 형식으로 YOLO 모델의 기능을 보여주는 데 매우 유용합니다. 몇 줄의 코드만으로 사용자 지정 입력에서 모델 성능을 보여주는 대화형 애플리케이션을 구축해 컴퓨터 비전 솔루션을 더 잘 이해하고 평가할 수 있습니다.

기여자
GLglenn-jocher40ABabirami-vina18AMambitious-octopus6BUBurhan-Q6JEJESUSROYETH4RIRizwanMunawar4RAraimbekovm3LAlakshanthad2PDpderrenger2IVIvan Tikhonov1KLklemen19991DADaisuke Majima1JAJaviChulvi1RARahulbiradar91DEdeepx-dgkim1LEleonnil1IVIvorZhu3311LALaughing-q1WAwangzhaode1JKjk4e1

댓글