YOLO Vision 2026:

Ultralytics 통합#

Ultralytics Integrations 페이지에 오신 것을 환영합니다! 이 페이지에서는 machine learning 워크플로를 간소화하고, 데이터셋 관리를 개선하며, 모델 학습을 단순화하고, 효율적인 배포를 지원하도록 설계된 다양한 도구 및 플랫폼과의 파트너십 개요를 제공합니다.

Ultralytics YOLO ecosystem and integrations


Watch: Ultralytics YOLO Deployment and Integrations

학습 통합#

  • Albumentations: 강력한 이미지 증강 기능으로 Ultralytics 모델을 개선하여 모델의 견고성과 일반화 성능을 향상시킵니다.

  • Amazon SageMaker: Amazon SageMaker를 활용하여 Ultralytics 모델을 효율적으로 빌드, 학습 및 배포할 수 있으며, ML 라이프사이클을 위한 올인원 플랫폼을 제공합니다.

  • AMD: PyTorch ROCm을 사용하여 지원되는 AMD GPU에서 Ultralytics 모델을 학습, 검증 및 실행하며, MIGraphX, DirectML 및 Ryzen AI NPU 가용성에 대한 명확한 분석을 제공합니다.

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

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

  • DVC: Ultralytics 머신러닝 프로젝트에 대한 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, 고급 모델 관리 시스템을 통해 IBM Watsonx가 Ultralytics 모델의 학습과 평가를 어떻게 단순화하는지 확인해 보세요.

  • JupyterLab: JupyterLab의 대화형 및 사용자 지정 가능한 환경을 사용하여 쉽고 효율적으로 Ultralytics 모델을 학습하고 평가하는 방법을 알아보세요.

  • Kaggle: 사전 설치된 라이브러리, GPU 지원, 활발한 협업 및 공유 커뮤니티가 있는 클라우드 기반 환경에서 Kaggle을 사용하여 Ultralytics 모델을 학습하고 평가하는 방법을 살펴보세요.

  • Modal: 자동 GPU 프로비저닝, 초당 과금, 추론 및 학습 워크플로를 위한 원활한 확장성을 갖춘 Modal의 서버리스 클라우드 플랫폼에서 Ultralytics 모델을 실행합니다.

  • MLFlow: 실험 및 재현성부터 배포에 이르기까지 Ultralytics 모델의 전체 ML 라이프사이클을 간소화합니다.

  • Neptune: MLOps를 위해 설계된 이 메타데이터 저장소에서 Ultralytics를 사용한 ML 실험을 포괄적으로 기록합니다.

  • Paperspace Gradient: Paperspace Gradient는 모델을 빠르게 학습, 테스트 및 배포하기 위한 사용하기 쉬운 클라우드 도구를 제공하여 YOLO26 프로젝트 작업을 단순화합니다.

  • Ray Tune: 모든 규모에서 Ultralytics 모델의 하이퍼파라미터를 최적화합니다.

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

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

  • VS Code: Ultralytics 개발 워크플로를 가속화하기 위한 코드 조각을 제공하고 누구나 쉽게 배우거나 시작할 수 있도록 돕는 예제를 제공하는 VS Code용 확장 프로그램입니다.

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

  • YAML2ModelGraph: Ultralytics YOLO YAML 설정 파일에서 직접 출판 수준의 SVG 아키텍처 다이어그램을 생성합니다.

배포 통합#

  • Ambarella: SpongeTorch 압축 인식 학습 및 오프라인 CVflow 도구 체인을 사용하여 CV72와 같은 Ambarella CVflow® SoC용 Ultralytics YOLO 모델을 학습, 압축 및 내보내기합니다.

  • Axelera: 효율적인 엣지 추론으로 Ultralytics 모델을 실행하기 위한 Metis 가속기 및 Voyager SDK를 살펴보세요.

  • Core AI: Apple의 새로운 .aimodel 형식, Core AI와 Core ML의 비교, 현재 한계, 그리고 iOS 27 및 macOS 27 세대를 위해 계획된 Ultralytics 통합에 대해 알아보세요.

  • CoreML: Apple에서 개발한 CoreML은 Apple의 하드웨어를 사용하여 효과적이고 안전한 model deployment를 통해 iOS, macOS, watchOS 및 tvOS의 애플리케이션에 머신러닝 모델을 효율적으로 통합하도록 설계된 프레임워크입니다.

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

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

  • Gradio: 실시간 대화형 객체 감지 데모를 위해 Gradio로 Ultralytics 모델을 배포합니다.

  • Hailo: Ultralytics YOLO 감지, 분할, 의미 분할, 깊이 추정, 분류, 포즈 및 OBB 모델을 Hailo HEF로 직접 내보냅니다. 검증된 모델 및 타겟은 통합 가이드를 참조하세요.

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

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

  • NCNN: Tencent에서 개발한 NCNN은 모바일 디바이스에 최적화된 효율적인 neural network 추론 프레임워크입니다. AI 모델을 앱에 직접 배포할 수 있게 해주며 다양한 모바일 플랫폼에서 성능을 최적화합니다.

  • Neural Magic: 양자화 인식 학습(QAT)과 가지치기(pruning) 기법을 활용하여 우수한 성능과 더 가벼운 크기로 Ultralytics 모델을 최적화합니다.

  • ONNX: 다양한 프레임워크 간 AI 모델 전송을 용이하게 하여 Ultralytics 모델의 다재다능함과 배포 유연성을 향상시키기 위해 Microsoft가 만든 오픈소스 형식입니다.

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

  • PaddlePaddle: Baidu의 오픈소스 딥러닝 플랫폼인 PaddlePaddle은 AI 모델의 효율적인 배포를 가능하게 하며 산업용 애플리케이션의 확장성에 초점을 맞춥니다.

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

  • Rockchip RKNN: Rockchip에서 개발한 RKNN은 Rockchip의 하드웨어 플랫폼, 특히 NPU에 최적화된 특화된 신경망 추론 프레임워크입니다. 엣지 디바이스에서 AI 모델의 효율적인 배포를 촉진하여 실시간 애플리케이션에서 고성능 추론을 가능하게 합니다.

  • Seeed Studio reCamera: Seeed Studio에서 개발한 reCamera는 실시간 컴퓨터 비전 애플리케이션을 위해 설계된 고급 엣지 AI 디바이스입니다. RISC-V 기반 SG200X 프로세서로 구동되어 에너지 효율성과 함께 고성능 AI 추론을 제공합니다. 모듈식 설계, 고급 비디오 처리 기능, 유연한 배포 지원 덕분에 안전 모니터링, 환경 애플리케이션, 제조 등 다양한 유스케이스에 이상적인 선택입니다.

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

  • TensorRT: NVIDIA가 개발한 이 고성능 deep learning 추론 프레임워크 및 모델 형식은 NVIDIA GPU에서 가속화된 속도와 효율성을 위해 AI 모델을 최적화하여 간소화된 배포를 보장합니다.

  • TF GraphDef: Google에서 개발한 GraphDef은 다양한 하드웨어에서 머신러닝 모델의 최적화된 실행을 가능하게 하는 연산 그래프 표현을 위한 TensorFlow의 형식입니다.

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

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

  • LiteRT: Google에서 개발한 LiteRT(구 TensorFlow Lite)는 .tflite 형식을 위한 온디바이스 런타임으로, 모바일, 임베디드, 엣지 및 브라우저(LiteRT.js를 통해) 전반에 걸쳐 단일 모델을 배포합니다.

  • TorchScript: PyTorch 프레임워크의 일부로 개발된 TorchScript는 Python 종속성 없이 다양한 프로덕션 환경에서 머신러닝 모델을 효율적으로 실행하고 배포할 수 있게 해줍니다.

데이터셋 통합#

  • Roboflow: 이미지 라벨링을 위한 주석 도구를 제공하여 Ultralytics 모델에 대한 데이터셋 라벨링 및 관리를 용이하게 합니다.

내보내기 형식#

또한 다양한 환경에서의 배포를 위해 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
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

링크를 탐색하여 각 통합에 대해 자세히 알아보고 Ultralytics를 통해 최대한 활용하는 방법을 알아보세요. 전체 export 세부 정보는 Export 페이지에서 확인하세요.

통합에 기여하기#

커뮤니티가 Ultralytics YOLO를 다른 기술, 도구 및 플랫폼과 어떻게 통합하는지 항상 기대가 됩니다! YOLO를새로운 시스템과 성공적으로 통합했거나 공유할 만한 가치 있는 통찰력이 있다면 contributing to our Integrations Docs를 고려해 보세요.

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

기여하려면 Pull Request (PR) 🛠️ 제출 방법에 대한 지침이 포함된 Contributing Guide를 확인해 주세요. 여러분의 기여를 기다리고 있습니다!

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

FAQ#

  • Ultralytics Platform은 Ultralytics 모델에 대한 머신러닝 워크플로를 원활하고 효율적으로 만들도록 설계된 클라우드 기반 플랫폼입니다. 이 도구를 사용하면 광범위한 코딩 지식 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 작업 공간 역할을 합니다. Ultralytics Platform 페이지에서 주요 기능을 살펴보고 Quickstart 가이드와 함께 빠르게 시작할 수 있습니다.

  • 네, 가능합니다. MLFlow를 Ultralytics 모델과 통합하면 실험을 추적하고, 재현성을 향상시키며, 전체 ML 라이프사이클을 간소화할 수 있습니다. 이 통합 설정에 대한 자세한 지침은 MLFlow 통합 페이지에서 찾을 수 있습니다. 이 통합은 모델 메트릭을 모니터링하고, 다양한 학습 실행을 비교하며, ML 워크플로를 효율적으로 관리하는 데 특히 유용합니다. MLFlow는 파라미터, 메트릭, 아티팩트를 기록할 수 있는 중앙 집중식 플랫폼을 제공하여 모델 동작을 더 쉽게 이해하고 데이터 기반 개선을 이룰 수 있도록 합니다.

  • Neural Magic은 양자화 인식 학습(QAT) 및 가지치기와 같은 기법을 활용하여 YOLO26 모델을 최적화하므로 리소스가 제한된 하드웨어에서 더 나은 성능을 발휘하는 매우 효율적이고 더 작은 모델을 만들어냅니다. Neural Magic 통합 페이지를 확인하여 우수한 성능과 더 가벼운 모델을 위해 이러한 최적화를 구현하는 방법을 알아보세요. 이는 연산 자원이 제한된 엣지 디바이스에 배포할 때 특히 유익합니다. Neural Magic의 DeepSparse 엔진은 CPU에서 최대 6배 더 빠른 추론을 제공하여 특수 하드웨어 없이도 복잡한 모델을 실행할 수 있게 해줍니다.

  • 대화형 object detection 데모를 위해 Gradio와 함께 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 선보이는 훌륭한 도구가 됩니다. 단 몇 줄의 코드만으로 사용자 지정 입력에 대한 모델의 성능을 보여주는 대화형 애플리케이션을 빌드할 수 있어 컴퓨터 비전 솔루션에 대한 더 나은 이해와 평가를 촉진할 수 있습니다.

기여자
GLglenn-jocher35ABabirami-vina18AMambitious-octopus6BUBurhan-Q6JEJESUSROYETH4RIRizwanMunawar4RAraimbekovm2RARahulbiradar91LAlakshanthad1DEdeepx-dgkim1PDpderrenger1LEleonnil1IVIvorZhu3311LALaughing-q1WAwangzhaode1JKjk4e1

댓글