신속한 배포를 위한 YOLO26 모델의 TorchScript 내보내기#

Python 없이 C++ 환경에서 computer vision 모델을 배포하려면 이식 가능한 직렬화된 표현이 필요합니다. TorchScript는 레거시 LibTorch 애플리케이션에 해당 호환성을 제공합니다.

크로스 플랫폼 호환성과 간소화된 배포를 위해 Ultralytics YOLO26 모델을 직렬화하려면 TorchScript로 내보내십시오. 이 가이드에서는 YOLO26 모델을 TorchScript 형식으로 내보내는 방법을 설명하여 더 다양한 애플리케이션에서 더 쉽게 사용할 수 있도록 지원합니다.

TorchScript로 내보내야 하는 이유는 무엇입니까?#

PyTorch 제작자가 개발한 TorchScript는 다양한 플랫폼에서 PyTorch 모델을 최적화하고 배포하기 위한 강력한 도구입니다. YOLO26 모델을 TorchScript로 내보내는 것은 연구에서 실제 애플리케이션으로 전환하는 데 매우 중요합니다. PyTorch 프레임워크의 일부인 TorchScript는 Python을 지원하지 않는 환경에서 PyTorch 모델을 사용할 수 있도록 하여 이러한 전환을 더 원활하게 만들어 줍니다.

이 과정에는 트레이싱(tracing)과 스크립팅(scripting)이라는 두 가지 기술이 포함됩니다. 트레이싱은 모델 실행 중 작업을 기록하며, 스크립팅은 Python의 하위 집합을 사용하여 모델을 정의할 수 있게 합니다. 이러한 기술을 사용하면 YOLO26과 같은 모델이 기존 Python 환경 외부에서도 정상적으로 작동할 수 있습니다.

TorchScript 모델은 연산자 융합(operator fusion) 및 메모리 사용 최적화와 같은 기술을 통해 최적화할 수 있어 효율적인 실행을 보장합니다. TorchScript로 내보낼 때의 또 다른 장점은 다양한 하드웨어 플랫폼에서 모델 실행을 가속화할 수 있다는 것입니다. 이는 C++ 환경에 통합할 수 있는 독립형 프로덕션 준비 모델 표현을 생성합니다.

TorchScript 모델의 주요 특징#

PyTorch 생태계의 핵심 요소인 TorchScript는 deep learning 모델을 최적화하고 배포하기 위한 강력한 기능을 제공합니다.

개발자에게 TorchScript를 가치 있는 도구로 만들어 주는 주요 기능은 다음과 같습니다:

• 정적 그래프 실행(Static Graph Execution): TorchScript는 PyTorch의 동적 그래프 실행과는 다른 모델 연산의 정적 그래프 표현을 사용합니다. 정적 그래프 실행에서는 실제 실행 전에 연산 그래프가 정의되고 컴파일되므로 추론 중 성능이 향상됩니다.

• 모델 직렬화(Model Serialization): TorchScript를 사용하면 PyTorch 모델을 플랫폼 독립적인 형식으로 직렬화할 수 있습니다. 직렬화된 모델은 원본 Python 코드 없이도 로드할 수 있어 다양한 런타임 환경에 배포가 가능합니다.

• JIT 컴파일: TorchScript는 JIT(Just-In-Time) 컴파일을 사용하여 PyTorch 모델을 최적화된 중간 표현으로 변환합니다. JIT는 모델의 연산 그래프를 컴파일하여 대상 장치에서 효율적인 실행을 가능하게 합니다.

• 점진적 변환(Gradual Conversion): TorchScript는 점진적 변환 방식을 제공하여 PyTorch 모델의 일부를 단계적으로 TorchScript로 변환할 수 있습니다. 이러한 유연성은 복잡한 모델을 다루거나 코드의 특정 부분을 최적화하려는 경우 특히 유용합니다.

TorchScript의 배포 옵션#

YOLO26 모델을 TorchScript 형식으로 내보내는 코드를 살펴보기 전에, TorchScript 모델이 일반적으로 어디에 사용되는지 알아보겠습니다.

TorchScript는 다음과 같이 machine learning 모델을 위한 다양한 배포 옵션을 제공합니다.

• C++ API: TorchScript의 가장 일반적인 사용 사례는 LibTorch C++ API로, 이를 통해 C++ 애플리케이션 내에서 최적화된 TorchScript 모델을 직접 로드하고 실행할 수 있습니다. 이는 Python이 적합하지 않거나 사용할 수 없는 프로덕션 환경에 이상적입니다. C++ API는 TorchScript 모델을 오버헤드가 적고 효율적으로 실행하여 성능 잠재력을 극대화합니다.

• 모바일 배포: 모바일 기기에서 대기 시간이 짧은 오프라인 추론 및 data privacy를 위해 PyTorch의 TorchScript Mobile 대체 기능인 ExecuTorch를 사용하십시오.

• 클라우드 배포: TorchScript 모델은 TorchServe와 같은 솔루션을 사용하여 클라우드 기반 서버에 배포할 수 있습니다. 이는 프로덕션 환경에서의 확장 가능한 배포를 위해 모델 버전 관리, 배치 처리, 메트릭 모니터링과 같은 기능을 제공합니다. TorchScript를 사용한 클라우드 배포는 API나 기타 웹 서비스를 통해 모델을 액세스할 수 있게 합니다.

지원되는 작업#

TorchScript 내보내기는 7가지 Ultralytics 작업 모두를 지원합니다. 시맨틱 분할 및 깊이 추정은 해당 헤드가 포함된 유일한 패밀리인 YOLO26에서만 사용할 수 있습니다.

TorchScript로 내보내기: YOLO26 모델 변환#

YOLO26 모델을 TorchScript로 내보내면 다양한 장소에서 더 쉽게 사용할 수 있으며, 더 빠르고 효율적으로 실행하는 데 도움이 됩니다. 이는 실제 애플리케이션에서 딥러닝 모델을 보다 효과적으로 사용하려는 모든 사람에게 유용합니다.

설치#

필수 패키지를 설치하려면 다음을 실행하십시오:

# Install the required package for YOLO26
pip install ultralytics

설치 과정과 관련된 자세한 지침과 모범 사례는 Ultralytics Installation guide를 확인하세요. YOLO26에 필요한 패키지를 설치하는 동안 문제가 발생하면 Common Issues guide에서 해결 방법과 팁을 참고하세요.

사용법#

모든 Ultralytics YOLO26 모델은 기본적으로 내보내기를 지원하도록 설계되어 선호하는 배포 워크플로에 쉽게 통합할 수 있습니다. 지원되는 내보내기 형식 및 구성 옵션 전체 목록 보기를 통해 애플리케이션에 가장 적합한 설정을 선택할 수 있습니다.

TorchScript 형식은 Export, Predict, Validate 모드를 지원합니다. 모델을 내보낸 다음 내보낸 모델을 로드하여 추론을 실행하거나 정확도를 검증하십시오.

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TorchScript format
model.export(format="torchscript")  # creates 'yolo26n.torchscript'

from ultralytics import YOLO

# Load the exported TorchScript model
model = YOLO("yolo26n.torchscript")

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

from ultralytics import YOLO

# Load the exported TorchScript model
model = YOLO("yolo26n.torchscript")

# Validate accuracy on the COCO8 dataset
metrics = model.val(data="coco8.yaml")

내보내기 인수#

내보내기 프로세스에 대한 자세한 내용은 내보내기에 관한 Ultralytics 문서 페이지를 방문하세요.

내보낸 YOLO26 TorchScript 모델 배포#

Ultralytics YOLO26 모델을 TorchScript 형식으로 성공적으로 내보낸 후 이제 배포할 수 있습니다. 이전 사용법 코드 스니펫에 설명된 대로 TorchScript 모델을 실행하기 위한 기본이자 권장되는 첫 번째 단계는 YOLO("model.torchscript") 메서드를 사용하는 것입니다. 다른 설정에서 TorchScript 모델을 배포하는 방법에 대한 자세한 지침은 다음 리소스를 확인하십시오.

• 모바일 배포 살펴보기: 현재 PyTorch 모바일 배포를 위해 ExecuTorch의 별도 torch.export() → .pte 파이프라인을 사용하십시오.

• 서버 측 배포 마스터하기: 확장 가능하고 효율적인 모델 서빙을 위한 단계별 튜토리얼을 제공하는 TorchServe를 사용하여 서버 측에 모델을 배포하는 방법을 알아보세요.

• C++ 배포 구현하기: C++에서 TorchScript 모델 로드하기 튜토리얼을 살펴보고, 향상된 성능과 유연성을 위해 TorchScript 모델을 C++ 애플리케이션에 쉽게 통합해 보세요.

요약#

이 가이드에서는 Ultralytics YOLO26 모델을 TorchScript 형식으로 내보내는 과정을 살펴보았습니다. 제공된 지침을 따르면 YOLO26 모델을 성능을 위해 최적화하고 다양한 플랫폼과 환경에 배포할 수 있는 유연성을 확보할 수 있습니다.

사용법에 대한 자세한 내용은 TorchScript 공식 문서를 참조하세요.

또한 다른 Ultralytics YOLO26 통합에 대해 자세히 알아보려면 통합 가이드 페이지를 방문하세요. 유용한 리소스와 인사이트를 많이 찾으실 수 있습니다.

FAQ#

Ultralytics YOLO26 모델의 TorchScript 내보내기란 무엇입니까?#

Ultralytics YOLO26 모델을 TorchScript로 내보내면 유연한 크로스 플랫폼 배포가 가능합니다. PyTorch 생태계의 일부인 TorchScript는 모델의 직렬화를 용이하게 하여 Python 지원이 없는 환경에서도 실행할 수 있게 합니다. 이는 C++ 환경에 모델을 배포할 때 유용합니다.

Ultralytics를 사용하여 YOLO26 모델을 어떻게 TorchScript로 내보낼 수 있습니까?#

YOLO26 모델을 TorchScript로 내보내려면 다음 예제 코드를 사용할 수 있습니다:

from ultralytics import YOLO

# Load a YOLO26 model
model = YOLO("yolo26n.pt")

# Export the model to TorchScript format
model.export(format="torchscript")  # creates 'yolo26n.torchscript'

# Load the exported TorchScript model
torchscript_model = YOLO("yolo26n.torchscript")

# Run inference
results = torchscript_model("https://ultralytics.com/images/bus.jpg")

내보내기 프로세스에 대한 자세한 내용은 내보내기에 관한 Ultralytics 문서를 참조하세요.

YOLO26 모델을 배포하는 데 왜 TorchScript를 사용해야 합니까?#

YOLO26 모델 배포에 TorchScript를 사용하면 다음과 같은 여러 가지 장점이 있습니다:

• 이식성: 내보낸 모델은 Python 없이 C++ 애플리케이션에서 실행될 수 있습니다.
• 최적화: TorchScript는 정적 그래프 실행과 JIT(Just-In-Time) 컴파일을 지원하여 모델 성능을 최적화할 수 있습니다.
• 언어 간 통합: TorchScript 모델을 다른 프로그래밍 언어에 통합하여 유연성과 확장성을 높일 수 있습니다.
• 직렬화: 모델을 직렬화하여 플랫폼 독립적인 로딩과 추론을 가능하게 합니다.

배포에 대한 자세한 내용은 TorchServe Documentation 및 C++ Deployment Guide를 참조하세요. 온디바이스 모바일 배포의 경우, PyTorch는 이제 TorchScript 대신 자체적인 별도의 torch.export() → .pte 파이프라인을 사용하는 ExecuTorch를 권장합니다.

YOLO26 모델을 TorchScript로 내보내기 위한 설치 단계는 무엇입니까?#

YOLO26 모델을 내보내는 데 필요한 패키지를 설치하려면 다음 명령을 사용하십시오:

# Install the required package for YOLO26
pip install ultralytics

자세한 지침은 Ultralytics 설치 가이드를 방문하세요. 설치 중에 문제가 발생하면 공통 문제 가이드를 참조하세요.

내보낸 TorchScript YOLO26 모델을 어떻게 배포합니까?#

YOLO26 모델을 TorchScript 형식으로 내보낸 후에는 다양한 플랫폼에 배포할 수 있습니다:

• C++ API: 오버헤드가 적고 효율성이 높은 프로덕션 환경을 위해 LibTorch를 사용하십시오.
• 모바일 배포: 별도의 .pte 내보내기 파이프라인을 갖춘 PyTorch 지원 대체재인 ExecuTorch를 사용하세요.
• 클라우드 배포: 확장 가능한 서버 측 배포를 위해 TorchServe와 같은 서비스를 활용하세요.

TorchScript의 기능을 최대한 활용하려면 이러한 환경에서 모델을 배포하기 위한 포괄적인 지침을 살펴보십시오.