Ultralytics에서 지원하는 모델#
Ultralytics 모델 문서에 오신 것을 환영합니다! 객체 감지, 인스턴스 분할, 시맨틱 분할, 깊이 추정, 이미지 분류, 포즈 추정, 회전 경계 상자 등 각기 다른 작업에 특화된 다양한 모델을 지원합니다. 모델 아키텍처를 Ultralytics에 기여하는 데 관심이 있으시면 기여 가이드를 확인하세요.
주요 모델#
새 프로젝트에는 YOLO26부터 시작하세요. 최신 Ultralytics 릴리스이며 7개 작업을 모두 지원하는 유일한 모델입니다. YOLO11은 성숙한 대안으로, 5개 작업 각각에 대해 사전 학습된 체크포인트를 제공합니다. 프롬프트 기반 분할(SAM 3), 오픈 보캐뷸러리 감지(YOLOE, YOLO-World) 또는 Transformer 감지기(RT-DETR가 필요한 경우에만 특화된 모델 제품군을 선택하세요.
YOLO27은 올해 후반 출시를 목표로 최종 R&D 단계에 있으며, 출시일은 정해지지 않았습니다. 아키텍처, 계획된 7개 작업, 예비 벤치마크를 미리 확인하세요. 모델 가중치와 패키지 지원은 아직 제공되지 않으므로, 현재 프로젝트에는 YOLO26을 사용하세요.
이 표에는 출시된 모델과 아키텍처 참조가 나와 있으며, 각 모델의 작업, 지원되는 train, val, predict, export 모드, 권장 사용 사례를 확인할 수 있습니다. Track은 별도로 표시하지 않습니다. Detect, Segment, Pose, OBB 모델에서는 predict 위에서 실행되며, SAM 2와 SAM 3은 자체 비디오 predictor를 통해 추적합니다. Benchmark도 별도로 표시하지 않습니다. 자체 지원을 추가하는 대신 여러 형식에 걸쳐 export와 val을 실행하기 때문입니다.
| 모델 | 작업 | 모드 | 다음 용도에 적합합니다 |
|---|---|---|---|
| YOLO26 🚀 신규 | 감지, 분할, 시맨틱, 깊이, 분류, 포즈, OBB | 학습, 검증, 예측, 내보내기 | 새 프로젝트: 선택적 NMS-free 추론, 엣지 최적화 배포, 가장 폭넓은 작업 지원 |
| YOLO12 | 감지, 분할, 분류, 포즈, OBB | 학습, 검증, 예측, 내보내기 | 어텐션 중심의 커뮤니티 릴리스 벤치마킹; 사전 학습 가중치는 감지만 지원 |
| YOLO11 | 감지, 분할, 분류, 포즈, OBB | 학습, 검증, 예측, 내보내기 | 지원하는 모든 작업에 사전 학습된 체크포인트를 제공하는 안정적인 프로덕션 워크로드 |
| YOLOv10 | 감지 | 학습, 검증, 예측, 내보내기 | 칭화대학교의 NMS-free 감지 연구 |
| YOLOv9 | 감지, 분할 | 학습, 검증, 예측, 내보내기 | Ultralytics YOLOv5 코드베이스에 구현된 프로그래밍 가능 경사 정보(PGI) |
| YOLOv8 | 감지, 분할, 분류, 포즈, OBB | 학습, 검증, 예측, 내보내기 | 기존 YOLOv8 파이프라인과 널리 구축된 서드파티 통합 |
| YOLOv7 | 감지 | 예측 | 업스트림에서 학습한 YOLOv7 내보내기 모델 실행: 패키지는 호환되는 ONNX 또는 TensorRT 모델로 예측하며, 네이티브 체크포인트로는 예측하지 않습니다. |
| YOLOv6 | 감지 | 학습, 검증, 예측, 내보내기 | YAML에서 Meituan의 아키텍처 학습; Ultralytics는 YOLOv6 .pt 체크포인트를 호스팅하지 않습니다. |
| YOLOv5 | 감지 | 학습, 검증, 예측, 내보내기 | 기존 Ultralytics 프로젝트; 최신 릴리스는 업데이트된 YOLOv5u 체크포인트를 로드합니다. |
| YOLOv4 | 없음 | 없음 | 아키텍처 참조 전용: Alexey Bochkovskiy의 Darknet 네이티브 모델은 패키지에서 지원되지 않습니다. |
| YOLOv3 | 감지 | 학습, 검증, 예측, 내보내기 | Joseph Redmon의 원래 아키텍처를 사용하는 기존 프로젝트; 최신 릴리스는 업데이트된 YOLOv3u 체크포인트를 로드합니다. |
| SAM 3 🚀 신규 | 분할 | 예측 | 텍스트 또는 이미지 예시를 바탕으로 이미지와 동영상에서 개념을 프롬프트 기반으로 분할하는 Meta의 기술입니다. sam3.pt 및 SAM 3.1 sam3.1_multiplex.pt(이미지)을 사용하려면 Hugging Face에서 액세스 승인을 받아야 합니다. |
| SAM 2 | 분할 | 예측 | 동영상 프레임 전반에 걸쳐 객체를 추적하는 Meta의 프롬프트 기반 분할 기술 |
| SAM | 분할 | 예측 | 자동 어노테이션을 포함하는 Meta의 기존 프롬프트 기반 분할 기술 |
| MobileSAM | 분할 | 예측 | 모바일 및 기타 리소스 제약 기기에서의 프롬프트 기반 분할(경희대학교) |
| FastSAM | 분할 | 검증, 예측, 내보내기 | SAM 지연 시간이 병목일 때 사용하는 CNN 기반 프롬프트 분할(중국과학원) |
| YOLO-NAS | 감지 | 검증, 예측, 내보내기 | 추론 및 내보내기에 사용할 수 있도록 유지되는 Deci의 NAS 최적화 감지기; NVIDIA 인수 이후 Deci는 더 이상 이를 유지 관리하지 않습니다. |
| RT-DETR | 감지 | 학습, 검증, 예측, 내보내기 | Baidu의 실시간 DETR 감지기: 하이브리드 Transformer 인코더를 갖춘 합성곱 백본 |
| YOLO-World | 감지 | 학습, 검증, 예측, 내보내기 | 텍스트 프롬프트를 이용한 오픈 보캐뷸러리 감지(Tencent AI Lab); 내보내려면 -worldv2 체크포인트가 필요합니다. |
| YOLOE | 감지, 분할 | 학습, 검증, 예측, 내보내기 | 텍스트, 시각 정보 또는 프롬프트 없는 추론을 사용한 오픈 보캐뷸러리 감지 및 분할 |
Ultralytics는 텍스트와 이미지 이해를 위한 대규모 언어 및 비전 모델용 OpenAI 호환 인터페이스인 LLM도 제공합니다. 자체 작업이나 모드는 없으므로 위 표에는 포함되지 않지만, 모든 YOLO 파이프라인과 함께 사용할 수 있으며 OpenAI 및 다른 클라우드 제공업체는 물론 완전한 로컬 온프레미스 서버에서도 실행됩니다.
시청: 몇 줄의 코드만으로 Ultralytics YOLO 모델을 실행합니다.
시작하기: 사용 예제#
이 예제에서는 간단한 YOLO 학습 및 추론 예제를 제공합니다. 이러한 모드와 다른 모드의 전체 문서는 Predict, Train, Val, Export 문서 페이지를 참조하세요.
아래 예시에서는 YOLO26 탐지 모델을 활용한 객체 탐지를 중점적으로 다룹니다. 추가로 지원되는 작업에 대해서는 세그멘테이션, 시맨틱 세그멘테이션, 깊이 추정, 분류, 포즈 및 OBB 문서를 참조하세요.
PyTorch 사전 학습 *.pt 모델과 구성 *.yaml 파일을 YOLO(), SAM(), NAS(), RTDETR() 클래스에 전달하여 Python에서 모델 인스턴스를 생성할 수 있습니다.
from ultralytics import YOLO
# COCO로 사전 학습된 YOLO26n 모델을 불러옵니다
model = YOLO("yolo26n.pt")
# 모델 정보 표시(선택 사항)
model.info()
# COCO8 예제 데이터셋으로 100 에포크 동안 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 'bus.jpg' 이미지에서 YOLO26n 모델로 추론을 실행합니다
results = model("path/to/bus.jpg")새 모델 기여하기#
Ultralytics에 모델을 기여하는 데 관심이 있으신가요? 환영합니다! Ultralytics는 언제나 모델 포트폴리오를 확장하고자 합니다.
-
저장소 포크: 먼저 Ultralytics GitHub 저장소를 포크하세요.
-
포크 복제: 포크한 저장소를 로컬 머신에 복제하고 작업할 새 브랜치를 만드세요.
-
모델 구현: 기여 가이드에 명시된 코딩 표준과 지침에 따라 모델을 추가하세요.
-
철저한 테스트: 모델을 독립적으로, 그리고 파이프라인의 일부로서 엄격하게 테스트하세요.
-
Pull Request 생성: 모델이 만족스러운 상태가 되면 검토를 위해 메인 저장소에 pull request를 생성하세요.
-
코드 검토 및 병합: 검토 후 모델이 기준을 충족하면 메인 저장소에 병합됩니다.
자세한 단계는 기여 가이드를 참조하세요.
자주 묻는 질문#
Ultralytics 라이브러리를 사용하면 사용자 지정 데이터로 YOLO 모델을 쉽게 학습할 수 있습니다. 간단한 예제는 다음과 같습니다.
예제from ultralytics import YOLO # YOLO 모델 로드 model = YOLO("yolo26n.pt") # 또는 다른 YOLO 모델 # 사용자 지정 데이터셋으로 모델 학습 results = model.train(data="custom_data.yaml", epochs=100, imgsz=640)자세한 지침은 Train 문서 페이지를 방문하세요.
Ultralytics는 YOLOv3, YOLOv5, YOLOv6, YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO12, YOLO26과 SAM 제품군(SAM 3, SAM 2, SAM, MobileSAM 및 FastSAM), YOLO-NAS, RT-DETR, YOLO-World, YOLOE를 기본적으로 지원합니다. 패키지는 YOLOv4 또는 YOLOv7용 가중치나 YAML을 제공하지 않습니다. YOLOv4는 아키텍처 참고 자료로만 문서화되어 있으며, YOLOv7은 내보낸 ONNX 또는 TensorRT 모델로 실행됩니다. 각 모델에서 사용할 수 있는 작업과 모드는 주요 모델을 참조하세요.
Ultralytics Platform은 YOLO 모델을 학습하고 배포하며 관리할 수 있는 노코드 엔드투엔드 플랫폼입니다. 복잡한 워크플로를 간소화하여 사용자가 모델 성능과 애플리케이션에 집중할 수 있도록 지원합니다. 또한 클라우드 학습 기능, 포괄적인 데이터셋 관리, 초보자와 숙련된 개발자 모두가 사용하기 편리한 인터페이스를 제공합니다.