Ultralytics YOLO27:
Get Started

Ultralytics 플랫폼#

Ultralytics 플랫폼은 데이터 준비부터 모델 배포까지 전체 ML 워크플로를 간소화하는 종합 엔드투엔드 컴퓨터 비전 플랫폼입니다. 인프라 복잡성 없이 프로덕션에 바로 사용할 수 있는 컴퓨터 비전 솔루션이 필요한 팀과 개인을 위해 구축되었습니다.

Ultralytics 플랫폼 데이터셋 스크린샷

Ultralytics 플랫폼이란 무엇인가요?#

Ultralytics 플랫폼은 데이터셋 관리 및 어노테이션, 실험 추적, 클라우드 및 원격 학습, 모델 내보내기, 전용 추론 엔드포인트, 배포 모니터링을 하나의 작업 공간에 통합합니다. YOLO26, YOLO11, YOLOv8, YOLOv5 모델을 기본적으로 지원합니다.

워크플로: 업로드 → 어노테이션 → 학습 → 내보내기 또는 배포#

플랫폼은 엔드투엔드 워크플로를 제공합니다.

단계기능
업로드내 컴퓨터, URL, 클라우드 스토리지 또는 온프레미스 호스트에서 이미지(50MB), 동영상(1GB), 데이터셋 파일(ZIP, TAR(.tar.gz/.tgz 포함), NDJSON)을 업로드합니다.
어노테이션6가지 작업 유형을 위한 수동 어노테이션 도구와 함께, 감지, 세그먼트, 시맨틱, OBB 작업에 SAM 모델을 사용하거나 해당 작업 및 포즈에 YOLO 모델을 사용하는 스마트 어노테이션을 제공합니다. 또한 클래스 프롬프트 모델(호스팅된 오픈 소스 모델 또는 유료 제공업체 모델)을 1~200개 클래스를 포함하는 감지 데이터셋에 사용할 수 있습니다(지원되는 작업 유형 참조).
학습클라우드 GPU(모든 플랜에서 24개 + Pro/Enterprise 전용 2개: B200, B300), 실시간 메트릭, 프로젝트 구성
내보내기22가지 배포 형식(ONNX, TensorRT, CoreML, LiteRT, Hailo, Ascend 등. 지원 형식 참조)
배포전용 엔드포인트를 제공하는 전 세계 42개 지역, 기본적으로 스케일 투 제로(활성 인스턴스 1개), 모니터링

수행할 수 있는 작업:

  • 업로드하여 이미지, 동영상, 데이터셋 파일로 학습 데이터셋을 생성합니다.
  • 시각화하여 어노테이션 편집기에서 지원하는 6가지 YOLO 작업 유형의 어노테이션을 대화형 오버레이로 확인합니다(지원되는 작업 유형 참조).
  • 학습하여 클라우드 GPU에서 모델을 학습합니다(모든 플랜에서 GPU 24개, Pro 또는 Enterprise에서는 B200 및 B300용 GPU 26개 지원). 실시간 메트릭을 확인할 수 있습니다.
  • 22가지 배포 형식으로 내보내기(ONNX, TensorRT, CoreML, LiteRT, Hailo, Ascend 등)
  • 배포하여 원클릭 전용 엔드포인트를 전 세계 42개 지역에 배포합니다.
  • 모델, 조건, 데이터셋 수집, Slack 알림, 웹훅을 연결하는 에이전트 워크플로를 구축합니다.
  • 모니터링하여 학습 진행 상황, 배포 상태, 사용량 메트릭을 확인합니다.
  • 통합 기능을 통해 클라우드 스토리지, 어노테이션 도구, Slack을 연결합니다.
  • 프로젝트와 데이터셋을 커뮤니티에 공개하여 협업합니다.

다중 지역 인프라#

데이터는 선택한 지역에 저장됩니다. Ultralytics 플랫폼은 전 세계 세 지역에서 인프라를 운영합니다.

지역라벨위치권장 용도
미국아메리카미국 아이오와주아메리카 사용자 대상, 아메리카 지역에서 가장 빠름
유럽 연합유럽, 중동 및 아프리카유럽 벨기에유럽 사용자 대상, GDPR 준수
아시아 태평양아시아 태평양아시아 태평양 대만아시아 태평양 사용자 대상, APAC에서 가장 낮은 지연 시간

온보딩 중 데이터 지역을 선택합니다. 데이터셋, 모델, 관리형 학습 데이터는 해당 지역에 유지됩니다. 전용 엔드포인트는 글로벌 배포 지도에서 선택한 지역에 별도로 배포됩니다.

지역은 변경할 수 없습니다

계정을 생성한 후에는 직접 데이터 지역을 변경할 수 없습니다. 온보딩 중 플랫폼은 각 지역의 지연 시간을 측정하고 가장 가까운 지역을 추천합니다. 나중에 지역 변경을 요청해야 하는 경우 지원팀에 문의하세요. 이는 데이터셋 및 모델 콘텐츠에 적용됩니다. 프로필, 결제, 활동 기록과 같은 계정 수준 데이터는 개인정보 처리방침과 데이터 처리 계약에 설명된 대로 전 세계에서 처리됩니다.

주요 기능#

데이터 준비#

  • 데이터셋 관리: 로컬 파일, URL, 연결된 클라우드 스토리지 또는 온프레미스 호스트에서 데이터셋을 생성하고 자동 처리합니다.
  • 어노테이션 편집기: 6가지 YOLO 작업 유형(감지, 세그먼트, 시맨틱, 분류, 포즈, OBB)에 사용할 수 있는 수동 어노테이션 도구입니다(지원되는 작업 유형 참조).
  • 스켈레톤 템플릿: 원클릭 포즈 어노테이션을 위한 내장 템플릿(Person, Hand, Dog, Face, Box)과 사용자 지정 스켈레톤 템플릿을 제공합니다.
  • 스마트 어노테이션: 어노테이션 도구 모음에서 SAM 2.1(Tiny, Small, Base, Large), SAM 3 또는 SAM 3.1(기본값)을 사용해 감지, 세그먼트, 시맨틱, OBB 작업을 수행할 수 있습니다. 해당 작업 및 포즈에는 사전 학습된 Ultralytics YOLO 모델과 직접 파인튜닝한 YOLO 모델을 사용할 수 있습니다. 1~200개 클래스가 포함된 감지 데이터셋에는 클래스 프롬프트 모델을 사용할 수 있습니다. 여기에는 호스팅된 오픈 소스 모델 6개(기본값은 Moondream 3.1), 호스팅된 텍스트 프롬프트 방식의 SAM 3 및 SAM 3.1, 설정 > API 키에서 제공업체 키를 입력해 사용하는 OpenAI, Anthropic, Google, Meta, SpaceXAI, DeepSeek, Z.ai, Kimi, Xiaomi MiMo의 유료 비전 모델이 포함됩니다.
  • 데이터셋 버전 관리: 설명이 포함된 번호 지정 NDJSON 스냅샷을 생성한 다음, 재현 가능한 학습을 위해 원하는 버전을 다운로드하거나 복원합니다.
  • 통계: 클래스 분포, 분할 분포, 위치 히트맵, 바운딩 박스 크기 분석
지원되는 작업 유형

어노테이션 편집기는 6가지 YOLO 작업 유형을 위한 도구를 제공합니다. 감지(바운딩 박스), 세그먼트(폴리곤), 시맨틱(클래스별 영역), 분류(이미지 수준 라벨), 포즈(키포인트), OBB(회전 박스)입니다. 각 작업 유형에는 전용 어노테이션 컨트롤과 키보드 단축키가 있습니다.

모델 학습#

  • 클라우드 학습: 클라우드 GPU에서 모델을 학습합니다(모든 플랜에서 GPU 24개, B200 및 B300을 사용할 수 있는 Pro 또는 Enterprise에서는 GPU 26개 지원). 실시간 메트릭과 실시간 비용 추정치를 제공합니다.
  • 원격 학습: 어디서나 학습을 실행하고 메트릭을 Ultralytics 플랫폼으로 스트리밍합니다.
  • 고급 설정: 학습 대화상자에 내장된 YAML 편집기에서 Ultralytics 학습 인수를 원하는 대로 재정의합니다.
  • 프로젝트 구성: 관련 모델을 그룹화하고, 실험을 비교하며, 활동을 추적합니다.
  • 22가지 내보내기 형식: ONNX, TensorRT, CoreML, LiteRT, Hailo, Ascend 등(지원 형식 참조)

Ultralytics 플랫폼 프로젝트 스크린샷

웹 UI(클라우드 학습)를 사용하거나 자체 컴퓨터(원격 학습)에서 모델을 학습할 수 있습니다.

  1. 프로젝트로 이동합니다.
  2. New Model을 클릭합니다.
  3. 데이터셋, 모델, GPU, 에포크를 선택합니다.
  4. 실시간 손실 곡선과 메트릭을 모니터링합니다.

배포#

  • 추론 테스트: 자체 이미지, 웹캠 캡처 또는 내장 예제를 사용해 브라우저에서 직접 모델을 테스트합니다.
  • 전용 엔드포인트: 기본적으로 스케일 투 제로(활성 인스턴스 1개)를 지원하는 전 세계 42개 지역에 배포합니다.
  • 모니터링: 실시간 지표, 요청 로그 및 성능 대시보드

배포한 후에는 어떤 언어에서든 엔드포인트를 호출할 수 있습니다. conf, iou, imgsz는 선택적 폼 필드이며, 기본값은 0.25, 0.7 및 모델의 학습 이미지 크기(사용할 수 없는 경우 640)입니다:

import requests

url = "https://your-deployment-url.run.app/predict"
api_key = "YOUR_API_KEY"
args = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

with open("image.jpg", "rb") as f:
    response = requests.post(
        url,
        headers={"Authorization": f"Bearer {api_key}"},
        data=args,
        files={"file": f},
    )

print(response.json())

계정 관리#

  • 팀 및 조직: 팀원과 협업하고, 역할과 초대를 관리하며, 계정 메뉴에서 작업 공간을 전환합니다
  • API 키: 원격 학습 및 API 액세스를 위한 안전한 키 관리
  • 크레딧 및 결제: 투명한 요금으로 사용한 만큼 지불하는 학습과 $5~$1,000 충전
  • 활동 피드: 모든 계정 이벤트와 작업을 추적합니다
  • 휴지통 및 복원: 30일간 소프트 삭제하고 항목을 복구합니다
  • GDPR 준수: 데이터 내보내기 및 계정 삭제
요금제 등급

현재 한도, GPU 액세스, 협업 및 라이선스에 대한 기준이 되는 Free, Pro 및 Enterprise 비교를 확인하세요.

다음 리소스를 통해 시작하세요:

  • 빠른 시작: 몇 분 만에 첫 프로젝트를 만들고 모델을 학습합니다
  • 둘러보기: 공개 데이터셋과 프로젝트를 탐색하고 복제하며, 이미지에 무엇이 표시되는지 검색합니다
  • 데이터: 데이터셋 준비 개요
  • 데이터셋: 학습 데이터를 업로드하고 관리합니다
  • 어노테이션: 수동 및 AI 지원 도구로 데이터에 라벨을 지정합니다
  • 학습: 학습 개요
  • 프로젝트: 모델과 실험을 구성합니다
  • 모델: 모델 페이지, 다운로드 및 내보내기
  • 클라우드 학습: 클라우드 GPU에서 학습합니다
  • 배포: 배포 개요
  • 추론: 모델을 테스트합니다
  • 엔드포인트: 모델을 프로덕션 환경에 배포합니다
  • 모니터링: 배포 성능을 추적합니다
  • 계정: 계정 개요
  • 설정: 프로필 및 작업 공간 기본 설정
  • 팀: 구성원, 역할 및 초대
  • API 키: API 액세스를 관리합니다
  • 결제: 크레딧 및 결제 수단
  • 활동: 계정 이벤트를 추적합니다
  • 휴지통: 삭제된 항목을 복구합니다
  • 통합: 클라우드 스토리지, 어노테이션 도구 및 Slack
  • REST API: API 참조

문제 해결#

데이터셋 문제#

문제솔루션
데이터셋이 처리되지 않음파일 형식이 지원되는지 확인하세요(이미지의 경우 JPEG, PNG, WebP, TIFF, HEIC, AVIF, BMP, JP2, DNG, MPO). 최대 파일 크기: 이미지 50 MB, 동영상 1 GB, 데이터셋 아카이브 10 GB(Free) / 20 GB(Pro) / 50 GB(Enterprise)
어노테이션 누락라벨이 이미지 파일명과 일치하는 .txt 파일을 포함한 YOLO 형식인지 확인하거나 COCO JSON을 업로드하세요
"학습 분할 필요"데이터셋 구조에 train/ 폴더를 추가하거나 분할 막대를 통해 분할을 재분배하세요
클래스 이름이 정의되지 않음names: 목록이 포함된 data.yaml 파일을 추가하거나(YOLO 형식 참조), 클래스 탭에서 클래스를 정의하세요

학습 문제#

문제솔루션
학습이 시작되지 않음설정 > 결제에서 크레딧 잔액을 확인하세요. 잔액이 양수여야 합니다
메모리 부족 오류배치 크기를 줄이거나 더 작은 모델(n/s)을 사용하거나 VRAM이 더 많은 GPU를 선택하세요
지표가 좋지 않음데이터셋 품질을 확인하고, 에포크 수를 늘리고, 데이터 증강을 시도하고, 클래스 균형을 확인하세요
학습 속도가 느림더 빠른 GPU를 선택하고, 이미지 크기를 줄이며, 데이터셋이 병목이 되지 않는지 확인하세요

배포 문제#

문제솔루션
엔드포인트가 응답하지 않음엔드포인트 상태(준비됨 또는 중지됨)를 확인하세요. 유휴 상태 이후의 콜드 스타트는 첫 요청에서 최대 1분이 걸릴 수 있습니다
401 인증되지 않음API 키가 활성화되어 있고 올바르게 복사되었는지 확인하세요
추론 속도가 느림모델 크기를 확인하고 TensorRT 내보내기를 고려한 뒤 더 가까운 리전을 선택하세요
내보내기 실패일부 형식은 특정 모델 아키텍처가 필요합니다. 가장 폭넓은 호환성을 위해 ONNX를 사용해 보세요

자주 묻는 질문#

가입한 후 사용자 이름을 변경할 수 있나요?

아니요. 사용자 이름은 영구적으로 설정되며 변경할 수 없습니다. 가입할 때 신중하게 선택하세요.

데이터 리전을 변경할 수 있나요?

온보딩 중에 데이터 리전을 선택하며 직접 변경할 수 없습니다. 리전을 변경하려면 지원팀에 문의하여 변경을 요청하세요.

크레딧을 더 받으려면 어떻게 해야 하나요?

설정 > 결제로 이동하여 충전을 클릭하세요. $5~$1,000의 크레딧을 구매할 수 있습니다. 구매한 크레딧은 만료되지 않습니다.

학습에 실패하면 어떻게 되나요?

클라우드 컴퓨팅이 시작된 경우 경과된 GPU 시간이 청구됩니다. GPU가 시작되기 전에 발생한 실패에는 컴퓨팅 사용 요금이 부과되지 않습니다.

학습한 모델을 다운로드할 수 있나요?

예. 모델 페이지에서 다운로드 아이콘을 클릭하면 해당 모델의 .pt 가중치를 다운로드할 수 있으며, 완료된 내보내기 형식은 내보내기 탭에서 확인할 수 있습니다.

작업을 공개적으로 공유하려면 어떻게 해야 하나요?

프로젝트 또는 데이터셋을 열고 상단 탐색 모음에서 비공개 배지를 클릭한 다음 공개로 설정을 확인하세요. 공개 콘텐츠는 탐색 페이지에 표시됩니다.

파일 크기 제한은 어떻게 되나요?

이미지: 50MB, 동영상: 1GB, 데이터셋: Free에서 10GB, Pro에서 20GB, Enterprise에서 50GB입니다. 더 큰 파일은 여러 번에 나누어 업로드하세요.

삭제된 항목은 휴지통에 얼마나 보관되나요?

30일입니다. 이후 항목은 영구적으로 삭제되어 복구할 수 없습니다.

Platform 모델을 상업적으로 사용할 수 있나요?

Free 및 Pro 요금제는 AGPL 라이선스를 사용합니다. AGPL 요건 없이 상업적으로 사용하려면 Ultralytics 라이선스를 확인하세요.

자주 묻는 질문#

  • Ultralytics Platform을 시작하려면 다음 단계를 따르세요:

    1. 가입: platform.ultralytics.com에서 계정을 만드세요
    2. 리전 선택: 온보딩 중 데이터 리전(US, EU 또는 AP)을 선택하세요
    3. 데이터셋 업로드: 사이드바에서 Annotate을 열고 데이터를 업로드하세요
    4. 모델 학습: 프로젝트를 만들고 클라우드 GPU에서 학습을 시작하세요
    5. 배포: 모델을 테스트하고 전용 엔드포인트에 배포하세요

    자세한 안내는 빠른 시작 페이지를 참조하세요.

  • Ultralytics Platform은 다음 기능을 제공합니다:

    • 통합 워크플로: 데이터, 학습 및 배포를 한곳에서 처리합니다
    • 멀티 리전: US, EU 또는 AP 리전에 데이터를 저장합니다
    • 노코드 학습: 코드를 작성하지 않고 고급 YOLO 모델을 학습합니다
    • 실시간 지표: 학습 진행 상황을 스트리밍하고 배포를 모니터링합니다
    • 42개 배포 리전: 전 세계 사용자와 가까운 곳에 모델을 배포합니다
    • 7가지 작업 유형: 탐지, 인스턴스 분할, 시맨틱 분할, 깊이 추정, 분류, 포즈 및 OBB를 지원합니다(작업 문서 참조)
    • AI 지원 어노테이션: SAM, YOLO 및 클래스 프롬프트 기반 모델(클래스 1~200개인 탐지 데이터셋)을 사용한 스마트 어노테이션으로 데이터 준비를 가속합니다
  • Ultralytics Platform은 클라우드 학습을 위해 여러 GPU 유형을 지원합니다:

    GPU세대VRAM시간당 비용권장 용도
    RTX 2000 AdaAda16 GB$0.24소규모 데이터셋, 테스트
    RTX A4500Ampere20 GB$0.25소규모~중규모 데이터셋
    RTX 4000 AdaAda20 GB$0.26중규모 데이터셋
    RTX A5000Ampere24 GB$0.27중규모 데이터셋
    L4Ada24 GB$0.39추론 최적화
    A40Ampere48 GB$0.44더 큰 배치 크기
    RTX 3090Ampere24 GB$0.46일반 학습
    RTX A6000Ampere48 GB$0.49대형 모델
    RTX PRO 4000Blackwell24 GB$0.57저예산 Blackwell
    RTX PRO 4500Blackwell32 GB$0.64뛰어난 가격 대비 성능
    RTX 4090Ada24 GB$0.69최고의 가격 대비 성능
    RTX 6000 AdaAda48 GB$0.77대규모 배치 학습
    L40SAda48 GB$0.86대규모 배치 학습
    RTX PRO 5000Blackwell48 GB$0.96대규모 배치 학습
    RTX 5090Blackwell32 GB$0.99최신 소비자용 세대
    L40Ada48 GB$0.99대형 모델
    A100 PCIeAmpere80 GB$1.39프로덕션 학습
    A100 SXMAmpere80 GB$1.49프로덕션 학습
    RTX PRO 6000Blackwell96 GB$2.09기본 권장 옵션
    H100 PCIeHopper80 GB$2.89고성능 학습
    H100 NVLHopper94 GB$3.19최고 성능
    H100 SXMHopper80 GB$3.29가장 빠른 학습
    H200 NVLHopper143 GB$3.39최대 메모리
    H200 SXMHopper141 GB$4.39최고 성능
    B200Blackwell180 GB$5.89대형 모델(Pro+)
    B300Blackwell288 GB$7.39최대 규모 모델(Pro+)

    전체 요금 및 GPU 옵션은 클라우드 학습을 참조하세요.

  • 자체 하드웨어에서 모델을 학습하고 실시간 메트릭을 Ultralytics Platform으로 스트리밍할 수 있습니다.

    패키지 버전 요구 사항

    Platform 통합을 사용하려면 Python>=3.11 및 ultralytics>=8.4.120이 필요합니다. 이전 버전은 Platform과 호환되지 않습니다.

    pip install "ultralytics>=8.4.120"
    # Set your API key
    export ULTRALYTICS_API_KEY="YOUR_API_KEY"
    
    # Train with project/name to stream metrics
    yolo train model=yolo26n.pt data=coco.yaml epochs=100 project=username/my-project name=exp1

    원격 학습에 관한 자세한 내용은 클라우드 학습을 참조하세요.

  • Platform에는 다음을 지원하는 모든 기능을 갖춘 어노테이션 편집기가 포함되어 있습니다:

    • 수동 도구: 바운딩 박스, 폴리곤, 스켈레톤 템플릿을 사용하는 키포인트, 방향성 박스, 분류
    • 스켈레톤 템플릿: 기본 제공(Person, Hand, Dog, Face, Box) 템플릿이나 사용자 지정 템플릿을 사용해 모든 키포인트를 한 번에 배치합니다.
    • 스마트 어노테이션: 감지, 세그먼테이션, 시맨틱 및 OBB 데이터셋에서 클릭 기반 어노테이션을 수행하려면 SAM 2.1, SAM 3 또는 SAM 3.1(기본값)을 사용하고, 도구 모음에서 사전 학습된 Ultralytics YOLO 모델과 직접 파인튜닝한 YOLO 모델을 실행해 해당 작업과 포즈 작업을 수행할 수 있습니다. 또한 1~200개 클래스를 지원하는 감지 데이터셋에서 클래스 프롬프트 기반 모델을 실행할 수도 있습니다. 여기에는 호스팅된 오픈 소스 모델 6개(기본값은 Moondream 3.1), 호스팅된 텍스트 프롬프트 기반 SAM 3 및 SAM 3.1, 그리고 설정 > API Keys에서 제공업체 키를 등록해 사용하는 OpenAI, Anthropic, Google, Meta, SpaceXAI, DeepSeek, Z.ai, Kimi, Xiaomi MiMo의 유료 비전 모델이 포함됩니다.
    • 키보드 단축키: 편집기의 단축키 팝오버에 표시된 단축키로 효율적인 워크플로를 구성합니다.
    단축키동작
    V수동(그리기) 모드
    S스마트 모드(SAM, YOLO 또는 클래스 프롬프트 기반 모델)
    P예측(스마트 모드에서)
    A자동 적용 전환(SAM 스마트 모드)
    1 - 9숫자로 클래스 선택
    H어노테이션 표시 전환
    Space + 드래그 또는 가운데 클릭 후 드래그캔버스 이동
    Delete / Backspace선택한 어노테이션 삭제
    Ctrl+S어노테이션 저장
    Ctrl+Z실행 취소
    Ctrl+Y다시 실행
    Escape저장 / 선택 해제 / 종료

    전체 가이드는 어노테이션을 참조하세요.

  • Platform은 Ultralytics 내보내기 모드와 동일한 22가지 배포 형식을 지원합니다. PyTorch가 소스 형식이며, format 인수가 있는 각 행은 내보내기 타깃을 나타냅니다.

    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.

    형식별 옵션은 모델 내보내기, 내보내기 모드 가이드, 통합 색인을 참조하세요.

댓글