Ultralytics Platform 퀵스타트#

Ultralytics Platform은 데이터셋 업로드, 사전 학습된 가중치로부터 새로운 YOLO 모델 학습, 브라우저에서의 완성된 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 다양한 간편 가입 옵션을 제공합니다. Google이나 GitHub 계정 또는 이메일 주소를 사용하여 가입하고 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 이동하게 되며, 여기에는 워크스페이스 통계가 포함된 환영 카드, 개요 비디오, 데이터셋·프로젝트·스토리지에 대한 빠른 액세스, 그리고 최근 활동 피드가 제공됩니다.

사이드바 탐색#

사이드바를 통해 플랫폼의 모든 섹션에 액세스할 수 있습니다:

각 콘텐츠 섹션에는 가장 최근 항목 5개가 나열되며 나머지 항목으로 이동하는 링크가 제공됩니다. 항목 위에 마우스를 올리면 휴지통으로 이동하는 삭제 작업이 표시됩니다. 휴지통 자체는 검색(Cmd+K) 또는 platform.ultralytics.com/trash 열기를 통해 접근할 수 있습니다.

환영 카드#

환영 카드에는 프로필, 요금제 배지(요금제 비교로 연결됨), 워크스페이스 통계가 한눈에 표시됩니다. 각 통계는 해당 워크스페이스 뷰로 연결됩니다:

빠른 작업#

환영 카드 아래 대시보드에는 세 개의 카드가 표시됩니다:

• 데이터셋: 새 데이터셋을 만들거나 이미지, 비디오, 데이터셋 파일을 드롭하여 업로드합니다. 최근 데이터셋이 표시됩니다.
• Projects: 새 프로젝트를 생성하거나 업로드할 .pt 모델 파일을 끌어다 놓습니다. 최근 프로젝트를 표시합니다.
• 스토리지: 플랜 제한을 포함한 스토리지 사용량(데이터셋, 모델, 내보내기) 개요입니다.

하단의 최근 활동 표에는 최신 데이터셋, 프로젝트, 배포와 각각의 상태 및 마지막 업데이트 시간이 표시됩니다.

전역 검색#

검색창을 열려면 Cmd+K(Mac) 또는 Ctrl+K(Windows/Linux)을 누르세요. 페이지, 프로젝트, 데이터셋, 배포 항목을 통틀어 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:

• 투어 다시 시작 버튼 — 사이드바 왼쪽 하단의 프로필 아바타를 클릭하여 계정 메뉴를 연 다음 투어 다시 시작을 선택합니다. 이렇게 하면 모든 투어가 재설정되어 각 섹션을 다음에 방문할 때 다시 재생됩니다.
• URL 매개변수 — 홈 페이지의 경우 ?tour=nav, 프로젝트 페이지의 경우 ?tour=project, 데이터셋 페이지의 경우 ?tour=dataset과 같이 투어 ID가 포함된 ?tour=을 추가하여 투어를 직접 다시 시작할 수 있습니다.

첫 데이터셋 업로드#

사이드바에서 Annotate을 열고 +을 클릭하여 새 데이터셋을 만듭니다. 홈 대시보드의 데이터셋 카드에 파일을 직접 끌어다 놓을 수도 있습니다.

새 데이터셋 대화상자는 네 가지 소스를 제공합니다. 이 빠른 시작에서는 업로드를 사용하며, 나머지는 데이터셋 및 통합에서 다룹니다:

업로드는 여러 형식을 지원합니다(자세한 내용은 데이터셋 참조):

graph LR
    A[Drop Files]:::start --> B[Auto-Package ZIP]:::proc
    B --> C[Upload to Storage]:::proc
    C --> D[Process Data]:::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 자세히 알아보세요.

첫 프로젝트 생성#

프로젝트는 관련 모델과 실험을 구성하는 데 도움이 됩니다. 사이드바에서 Train을 열고 +을 클릭하여 프로젝트를 만듭니다. 홈 대시보드의 프로젝트 카드에 .pt 가중치를 드롭하여 프로젝트를 만들고 한 번에 가져올 수도 있습니다.

이름과 선택적 설명을 입력하세요. Projects는 모델 실행과 가져오거나 복제한 모델 가중치를 정리하며, 완료된 학습 결과를 비교할 수 있는 차트를 제공합니다.

projects에 대해 자세히 알아보세요.

첫 모델 학습#

프로젝트에서 New Model을 클릭하여 새 모델 학습 대화상자를 엽니다. 데이터셋 페이지에서 시작할 수도 있으며, 이 경우 데이터셋이 고정되고 대상 프로젝트를 선택하게 됩니다.

학습 설정#

1. 기본 모델: 공식 Ultralytics 가중치 또는 직접 학습한 모델 중 하나를 선택합니다. 모델 작업과 데이터셋 작업이 일치하지 않으면 대화상자에 경고가 표시됩니다.
2. 데이터셋: 학습 이미지 1장 이상, 검증 또는 테스트 이미지 1장 이상, 레이블이 지정된 이미지 1장 이상이 포함된 준비된 데이터셋을 선택합니다.
3. 매개변수: 에포크(기본값 100), 배치 크기(공백은 자동), 이미지 크기(기본값 640) 및 선택적 실행 이름을 설정합니다. YAML 편집기에서 다른 Ultralytics 학습 인수를 편집하려면 고급 설정을 확장합니다.
4. GPU 선택: 클라우드 학습 탭에서 예산과 모델 크기에 맞는 연산 리소스를 선택합니다. 기본값은 RTX PRO 6000(96 GB Blackwell, $2.09/hr)이며, 모든 YOLO26 변형을 처리할 수 있습니다. 전체 목록 및 티어 제한에 대해서는 전체 GPU 가격표 또는 클라우드 학습 GPU 단계를 참조하세요.
5. 학습 시작:크레딧 잔액 옆의 예상 비용과 소요 시간을 검토한 다음 Start Training을 클릭합니다.

학습 모니터링#

학습이 시작되면 모델의 Train 탭을 열어 세 개의 하위 탭을 통해 실시간으로 진행 상황을 모니터링할 수 있습니다:

지표는 SSE(Server-Sent Events)를 통해 실시간으로 스트리밍됩니다. 검증 아티팩트가 생성되면 차트 하위 탭이 학습 및 검증 뷰로 나뉘며, 혼동 행렬, PR 곡선, F1 곡선은 검증 아래에 표시됩니다.

cloud training에 대해 자세히 알아보세요.

모델 테스트#

학습이 완료되면 브라우저에서 바로 모델을 테스트할 수 있습니다:

1. 모델의 Predict 탭으로 이동합니다.
2. 이미지 업로드, 드래그 앤 드롭, 웹캠으로 촬영 또는 예제 이미지 클릭(드롭 시 자동 추론)
3. 작업에 적절한 예측 오버레이, 단계별 타이밍(전처리, 추론, 후처리, 네트워크) 및 원본 JSON 응답 보기

추론 파라미터를 조정합니다:

API 문서 아래의 Predict 탭에는 위에서 선택한 매개변수로 미리 채워진 Python, JavaScript 및 cURL의 예제 코드가 표시됩니다. 먼저 모델을 배포한 다음, 엔드포인트의 값으로 자리표시자 URL과 키를 교체하세요:

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())

inference에 대해 자세히 알아보세요.

프로덕션에 배포#

모델을 프로덕션용 전용 엔드포인트에 배포합니다:

1. 모델의 Deploy 탭으로 이동합니다.
2. 플랫폼은 42개 지역 전체에 대한 지연 시간을 측정하여 세계 지도에 플롯하고 초록색에서 빨간색으로 이어지는 그라데이션으로 색상을 지정합니다(지연 시간이 낮을수록 초록색, 높을수록 빨간색).
3. 지도 아래의 지역별 지연 시간 표(현재 위치에서의 지연 시간순으로 정렬됨)에서 원하는 지역을 찾습니다. 언제든지 재측정하려면 Rescan을 사용하세요.
4. 해당 행에서 Deploy을 클릭하여 엔드포인트를 만듭니다.

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. 배포 대시보드에는 활성 배포가 포함된 전 세계 지도, 24시간 지표(총 요청 수, 활성 배포, 오류율, P95 지연 시간) 및 모든 엔드포인트 목록이 표시됩니다.

endpoints에 대해 자세히 알아보세요.

원격 학습(선택 사항)#

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

가장 빠른 방법은 학습 대화상자의 로컬 학습 탭입니다. 선택한 모델, 데이터셋, 매개변수에 대한 전체 명령어를 빌드하고 API 키를 채워줍니다(아직 없는 경우 생성됨). 이를 복사하여 터미널에서 실행하면 됩니다.

직접 명령어를 조합하려면:

1. Settings > API Keys에서 API 키를 생성합니다.
2. 환경 변수를 설정하고 project에 username/project 값을 사용하여 학습합니다:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

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

API keys, dataset URIs, remote training에 대해 자세히 알아보세요.

피드백 및 도움말#

사이드바 바닥글의 도움말 페이지에는 문서 링크, 비디오 가이드, 커뮤니티 리소스가 수집되어 있으며 앱 내 피드백 양식이 포함되어 있습니다. 경험을 1~5점 별점으로 평가하고, 피드백 유형(버그, 기능 또는 일반)을 선택하고, 스크린샷을 첨부할 수 있습니다.

더 많은 도움이 필요하신 경우:

• AI Chat: 어느 페이지에서나 떠 있는 채팅 위젯을 클릭하여 즉각적인 도움을 받으십시오
• Documentation: datasets, annotation, training, deployment, billing에 대한 자세한 가이드는 이 문서를 찾아보세요.
• Discord: 토론에 참여하려면 Discord community에 가입하세요.
• GitHub: GitHub에 문제를 보고하세요.
• REST API 및 Python SDK: API 참고 자료를 확인하고, ultralytics-platform 클라이언트를 설치하거나, 모든 Platform 기능에 프로그래밍 방식으로 액세스할 수 있는 대화형 API 문서를 확인해 보세요.