Ultralytics Platform 퀵스타트#

Ultralytics Platform은 데이터셋 업로드, 사전 학습된 가중치로부터 새로운 YOLO 모델 학습, 브라우저에서 완료된 모델 테스트, 그리고 전용 추론 엔드포인트 구성을 위한 가이드 워크플로우를 제공합니다.

다음 대화형 다이어그램은 Ultralytics Platform 워크플로의 4가지 주요 단계를 보여줍니다. 각 단계나 하위 단계를 클릭하여 해당 섹션에 대한 자세한 지침을 확인하십시오.

graph LR
    A(Sign Up):::start --> B(Prepare Data):::proc --> C(Train):::proc --> D(Deploy):::out
    A -.- A1["<a href='#get-started'>Create account</a><br/><a href='#region-selection'>Select region</a>"]:::proc
    B -.- B1["<a href='#upload-your-first-dataset'>Upload dataset</a><br/><a href='#create-your-first-project'>Create Project</a>"]:::proc
    C -.- C1["<a href='#training-configuration'>Configure training</a><br/><a href='#monitor-training'>Monitor progress</a>"]:::proc
    D -.- D1["<a href='#test-your-model'>Test model</a><br/><a href='#deploy-to-production'>Deploy endpoint</a>"]:::proc

    click A "#get-started"
    click B "#upload-your-first-dataset"
    click C "#train-your-first-model"
    click D "#deploy-to-production"

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

시작하기#

Ultralytics Platform은 다양하고 간편한 가입 옵션을 제공합니다. Google이나 GitHub 계정 또는 이메일 주소를 사용하여 등록하고 로그인할 수 있습니다.

리전 선택#

온보딩 중에 데이터 지역을 선택하라는 메시지가 표시됩니다. Platform은 각 지역에 대한 지연 시간을 자동으로 측정하고 가장 가까운 지역을 추천합니다. 이 선택에 따라 데이터셋, 모델 및 관리형 학습 데이터가 저장되는 위치가 결정됩니다. 전용 엔드포인트 지역은 모델을 배포할 때 별도로 선택됩니다.

무료 크레딧#

모든 새 계정은 클라우드 GPU 학습을 위한 무료 크레딧을 받습니다:

프로필 완성하기#

온보딩 흐름은 다음 세 단계를 안내합니다:

1. 프로필 - 표시 이름, 고유 사용자 이름(영구적이며 나중에 변경 불가), 소속 조직(선택 사항) 및 주요 사용 사례를 입력합니다.
2. 데이터 리전 - 지연 시간이 표시된 세계 지도를 통해 US, EU 또는 AP를 선택합니다.
3. 완료 - 선택 사항을 검토하고 필요한 경우 프로모션 코드를 적용한 뒤 가입을 완료하여 환영 크레딧을 받습니다.

홈 대시보드#

로그인 후 Ultralytics Platform의 홈 페이지로 이동합니다. 여기에는 워크스페이스 통계가 포함된 환영 카드, 데이터셋, 프로젝트 및 스토리지에 대한 빠른 액세스, 최근 활동 피드가 제공됩니다.

사이드바 탐색#

사이드바를 통해 플랫폼의 모든 섹션에 액세스할 수 있습니다:

환영 카드#

환영 카드에는 프로필, 플랜 배지 및 워크스페이스 통계가 한눈에 표시됩니다:

빠른 작업#

환영 카드 아래 대시보드에는 세 개의 카드가 표시됩니다:

• 데이터셋: 새 데이터셋을 만들거나 이미지, 비디오, 데이터셋 파일을 드롭하여 업로드합니다. 최근 데이터셋이 표시됩니다.
• 프로젝트: 새 프로젝트를 만들거나 .pt 모델 파일을 드롭하여 업로드합니다. 최근 프로젝트가 표시됩니다.
• 스토리지: 플랜 제한을 포함한 스토리지 사용량(데이터셋, 모델, 내보내기) 개요입니다.

하단의 최근 활동 테이블에는 최신 데이터셋, 모델 및 학습 실행 기록이 표시됩니다.

전역 검색#

Cmd+K(Mac) 또는 Ctrl+K(Windows/Linux)를 눌러 검색 바를 엽니다. 페이지, 프로젝트, 데이터셋 및 배포를 즉시 검색할 수 있습니다.

AI 채팅 어시스턴트#

모든 페이지에서 떠 있는 채팅 위젯을 사용할 수 있습니다. 이를 클릭하여 YOLO 학습, 주석 작업, 배포 또는 플랫폼 기능에 대해 질문하십시오. 어시스턴트는 현재 페이지를 기준으로 맥락을 파악하여 도움을 제공합니다.

온보딩 투어#

플랫폼에는 다양한 섹션을 탐색할 때 주요 기능을 소개하는 가이드 투어가 포함되어 있습니다:

둘러보기 재시작#

둘러보기를 다시 재생하려면:

• 둘러보기 다시 하기 버튼 — 프로필 아바타(사이드바 왼쪽 하단)를 클릭하여 사용자 메뉴를 열고 둘러보기 다시 하기를 선택합니다. 이 작업은 모든 둘러보기를 초기화하여 각 섹션을 다시 방문할 때 다시 재생되도록 합니다.
• URL 매개변수 — platform.ultralytics.com/home?tour=nav로 이동하여 탐색 둘러보기를 직접 재시작할 수 있습니다.

첫 데이터셋 업로드#

사이드바에서 Annotate로 이동한 후 New Dataset을 클릭하여 학습 데이터를 추가합니다. 홈 대시보드의 데이터셋 카드에 파일을 직접 끌어다 놓을 수도 있습니다.

Ultralytics Platform은 여러 업로드 형식을 지원합니다(자세한 내용은 Datasets 참조):

graph LR
    A[Drop Files]:::start --> B[Auto-Package ZIP]:::proc
    B --> C[Upload to Storage]:::proc
    C --> D[Backend Worker]:::proc
    D --> E[Resize & Thumbnail]:::proc
    E --> F[Parse Labels]:::proc
    F --> G[Compute Statistics]:::proc
    G --> H[Dataset Ready]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

업로드 후 플랫폼이 자동으로 데이터를 처리합니다:

1. 4096px보다 큰 이미지는 크기가 조정됩니다(종횡비 유지)
2. 빠른 탐색을 위해 256px 썸네일이 생성됩니다
3. YOLO, COCO 및 Ultralytics NDJSON 라벨이 구문 분석되고 검증됩니다.
4. 통계가 계산됩니다(클래스 분포, 히트맵, 크기)

my-dataset.zip
├── data.yaml          # Class names and splits
├── train/
│   ├── images/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── labels/
│       ├── img001.txt
│       └── img002.txt
└── val/
    ├── images/
    └── labels/

datasets 및 detect, segment, pose, OBB, classify에서 지원하는 형식에 대해 더 알아보십시오.

첫 프로젝트 생성#

프로젝트를 통해 관련 모델과 실험을 체계적으로 정리할 수 있습니다. Projects로 이동하여 New Project를 클릭하세요.

이름과 선택적 설명을 입력합니다. 프로젝트는 모델 실행과 가져오거나 복제한 모델 가중치를 구성하며, 완료된 학습 결과를 비교하기 위한 차트를 제공합니다.

projects에 대해 더 알아보십시오.

첫 모델 학습#

프로젝트에서 New Model을 클릭하여 클라우드 학습을 시작합니다.

학습 설정#

1. Select Dataset: 학습 이미지 최소 1장, 검증 또는 테스트 이미지 최소 1장, 그리고 라벨이 지정된 이미지 최소 1장이 포함된 준비된 데이터셋을 선택하세요.
2. 모델 선택: 기본 모델을 선택합니다. 공식 Ultralytics 모델 또는 직접 학습한 모델을 사용할 수 있습니다.
3. 에포크 설정: 학습 반복 횟수(기본값: 100)
4. GPU 선택: 예산과 모델 크기에 따라 컴퓨팅 리소스를 선택하십시오. 기본값은 모든 YOLO26 변형을 처리할 수 있는 RTX PRO 6000(96 GB Blackwell, $2.09/hr)입니다. 전체 목록 및 티어 제한 사항은 GPU 가격 책정 표 또는 클라우드 학습 GPU 단계를 참조하십시오.

학습 모니터링#

학습이 시작되면 세 가지 하위 탭을 통해 실시간으로 진행 상황을 모니터링할 수 있습니다:

메트릭은 SSE(Server-Sent Events)를 통해 실시간으로 스트리밍됩니다. 학습이 완료되면 혼동 행렬, PR 곡선, F1 곡선을 포함한 검증 플롯이 생성됩니다.

cloud training에 대해 더 알아보십시오.

모델 테스트#

학습이 완료되면 브라우저에서 바로 모델을 테스트할 수 있습니다:

1. 모델의 Predict 탭으로 이동
2. 이미지 업로드, 끌어다 놓기 또는 예제 이미지 사용(드롭 시 자동 추론)
3. 작업에 적절한 예측 오버레이와 원본 JSON 응답을 확인하세요.

추론 매개변수를 조정하세요:

Predict 탭에는 예제 배포 코드도 표시됩니다. 먼저 모델을 배포한 다음, 자리표시자 URL과 키를 엔드포인트의 값으로 교체하세요:

import requests

url = "https://your-deployment-url.run.app/predict"
headers = {"Authorization": "Bearer YOUR_API_KEY"}

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

print(response.json())

inference에 대해 더 알아보십시오.

프로덕션에 배포#

모델을 프로덕션용 전용 엔드포인트에 배포합니다:

1. 모델의 Deploy 탭으로 이동
2. 인터랙티브 세계 지도에서 지역을 선택하십시오(사용 가능한 42개 지역).
3. 지도는 초록색에서 빨간색으로 그라데이션된 색상으로 실시간 지연 시간 측정을 표시합니다(지연 시간이 낮을수록 초록색, 높을수록 빨간색).
4. Deploy를 클릭하여 엔드포인트 생성

graph LR
    A[Select Region]:::start --> B[Deploy]:::proc
    B --> C[Provisioning]:::proc
    C --> D[Running]:::out
    D --> E{Lifecycle}:::decide
    E --> F[Stop]:::error
    E --> G[Delete]:::error
    F --> H[Resume]:::proc
    H --> D

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff
    classDef error fill:#F44336,color:#fff

프로비저닝이 완료되면 엔드포인트에서 다음 기능을 제공합니다:

• 고유 URL: API 호출을 위한 HTTPS 엔드포인트
• Scale-to-zero 동작: 유휴 엔드포인트는 0으로 스케일링됩니다(배포는 현재 단일 활성 인스턴스를 실행함).
• 모니터링: 요청 메트릭 및 로그

배포 후 사이드바의 Deploy 섹션에서 모든 엔드포인트를 관리할 수 있습니다. 여기서는 활성 배포가 포함된 글로벌 지도, 개요 메트릭 및 모든 엔드포인트 목록을 확인할 수 있습니다.

endpoints에 대해 더 알아보십시오.

원격 학습(선택 사항)#

자신의 하드웨어에서 학습하는 것을 선호하는 경우, API 키를 사용하여 어디서나 학습하고 메트릭을 Ultralytics Platform으로 스트리밍할 수 있습니다.

1. Settings > API Keys에서 API 키를 생성하십시오.
2. 환경 변수를 설정하고 project/name 형식으로 학습을 진행합니다:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

yolo train model=yolo26n.pt data=coco.yaml epochs=100 project=username/my-project name=exp1

API 키, 데이터셋 URI, 그리고 원격 학습에 대해 더 자세히 알아보십시오.

피드백 및 도움말#

사이드바 하단의 도움말 페이지에는 앱 내 피드백 양식이 포함되어 있습니다. 경험을 평가하고 피드백 유형(버그, 기능 요청 또는 일반)을 선택한 뒤 스크린샷을 첨부할 수 있습니다.

더 많은 도움이 필요하신 경우:

• AI Chat: 어느 페이지에서나 떠 있는 채팅 위젯을 클릭하여 즉각적인 도움을 받으십시오
• 문서: 데이터셋, 주석, 학습, 배포, 및 결제에 관한 자세한 가이드는 이 문서를 참조하십시오
• Discord: 토론을 위해 저희 Discord 커뮤니티에 참여하십시오
• GitHub: GitHub에서 문제를 보고하십시오
• REST API: 모든 플랫폼 기능을 프로그래밍 방식으로 이용하려면 API 참조를 확인하거나 대화형 API 문서를 시도해보십시오