Ultralytics Platform Quickstart

Ultralytics Platform은 사용자 친화적이고 직관적으로 설계되어 사용자가 데이터셋을 빠르게 업로드하고 새로운 YOLO 모델을 훈련할 수 있도록 합니다. 다양한 사전 훈련된 모델을 제공하여 사용자가 쉽게 시작할 수 있습니다. 모델이 훈련되면 브라우저에서 직접 테스트하고 한 번의 클릭으로 프로덕션에 배포할 수 있습니다.

journey
    title Your First Model in 5 Minutes
    section Sign Up
      Create account: 5: User
      Select region: 5: User
    section Prepare Data
      Upload dataset: 5: User
      Review images: 4: User
    section Train
      Configure training: 5: User
      Monitor progress: 3: Platform
    section Deploy
      Test model: 5: User
      Deploy endpoint: 5: User

시작하기

Ultralytics 다양한 간편 가입 옵션을 제공합니다. Google GitHub 계정, 또는 이메일 주소로 등록하고 로그인할 수 있습니다.

지역 선택

온보딩 과정에서 데이터 지역을 선택하도록 요청받게 됩니다. 플랫폼은 각 지역으로의 지연 시간을 자동으로 측정하여 가장 가까운 지역을 추천합니다. 이는 데이터, 모델 및 배포가 저장될 위치를 결정하므로 중요한 선택입니다.

무료 크레딧

모든 신규 계정에는 클라우드 GPU 용 무료 크레딧이 제공됩니다:

프로필 완성

지역을 선택하기 전에 프로필을 완성해야 합니다. 표시 이름, 사용자 이름, 선택 사항인 회사 정보, 주요 사용 사례를 입력하세요. 온보딩 절차는 프로필, 데이터 지역, 완료의 세 단계로 구성됩니다.

홈 대시보드

로그인 후에는 Ultralytics 의 홈 페이지로 이동하게 되며, 여기에는 작업 공간 통계가 포함된 웰컴 카드, 데이터 세트, 프로젝트 및 스토리지에 대한 빠른 접근, 그리고 최근 활동 피드가 제공됩니다.

사이드바 탐색

사이드바를 통해 플랫폼의 모든 섹션에 접근할 수 있습니다:

환영 카드

환영 카드는 프로필, 플랜 배지, 작업 공간 통계를 한눈에 보여줍니다:

빠른 작업

환영 카드 아래에 대시보드에는 세 개의 카드가 표시됩니다:

• 데이터셋: 새 데이터셋을 생성하거나 이미지, 동영상 또는 ZIP 파일을 드래그 앤 드롭하여 업로드하세요. 최근 데이터셋을 표시합니다.
• 프로젝트새 프로젝트 생성 또는 드롭 .pt 업로드할 모델 파일. 최근 작업한 프로젝트를 보여줍니다.
• 저장소: 계획된 한도 내에서의 저장소 사용량(데이터셋, 모델, 내보내기) 개요.

하단의 최근 활동 테이블에는 최신 데이터셋, 모델 및 훈련 실행 내역이 표시됩니다.

첫 번째 데이터셋 업로드

다음으로 이동 Annotate 사이드바에서 클릭하세요 New Dataset 훈련 데이터를 추가하려면. 홈 대시보드의 데이터셋 카드에 파일을 직접 드래그 앤 드롭할 수도 있습니다.

Ultralytics 다양한 업로드 형식을 지원합니다(자세한 내용은 데이터셋 참조):

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

업로드 후 플랫폼은 자동으로 데이터를 처리합니다:

1. 4096px보다 큰 이미지는 (종횡비 유지하며) 크기가 조정됩니다.
2. 빠른 탐색을 위해 256px 썸네일이 생성됩니다
3. 라벨은 파싱되고 검증됩니다.YOLO .txt 형식)
4. 통계가 계산됩니다(클래스 분포, 히트맵, 차원)

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

데이터셋 및 지원되는 형식에 대해 자세히 알아보기 detect, segment, 포즈, OBB 및 classify.

첫 번째 프로젝트 생성

프로젝트는 관련 모델과 실험을 정리하는 데 도움이 됩니다. 프로젝트로 이동하여 "프로젝트 생성"을 클릭하세요.

프로젝트의 이름과 선택적 설명을 입력하세요. 프로젝트에는 다음이 포함됩니다:

• 모델: 훈련된 체크포인트
• 활동 로그: 변경 내역

프로젝트에 대해 자세히 알아보세요.

첫 번째 모델 훈련

프로젝트에서 클릭하세요 Train Model 클라우드 교육을 시작하다.

훈련 구성

1. 데이터셋 선택업로드한 데이터셋 중에서 선택하세요 ( train 분할 표시됨)
2. 모델 선택: 기본 모델을 선택하세요 — 공식 Ultralytics 또는 자체 훈련 모델
3. 에포크 설정: 훈련 반복 횟수 (기본값: 100)
4. GPU 선택: 예산과 모델 규모에 따라 컴퓨팅 리소스를 선택하세요

훈련 모니터링

훈련이 시작되면 다음 세 개의 하위 탭을 통해 실시간으로 진행 상황을 모니터링할 수 있습니다:

메트릭은 SSE(서버 전송 이벤트)를 통해 실시간으로 스트리밍됩니다. 훈련이 완료된 후, 혼동 행렬, PR 곡선 및 F1 곡선을 포함한 검증 플롯이 생성됩니다.

클라우드 학습에 대해 자세히 알아보세요.

모델 테스트

학습이 완료되면 브라우저에서 모델을 직접 테스트하세요:

1. 모델의 Predict 탭
2. 이미지를 업로드하거나, 드래그 앤 드롭하거나, 예시 이미지를 사용하세요 (드롭 시 자동 추론)
3. 경계 상자가 캔버스에 렌더링된 추론 결과를 확인하세요

추론 매개변수 조정:

에 지정되어 있습니다. Predict 탭은 실제 API 키가 미리 채워진 즉시 사용 가능한 코드 예제를 제공합니다:

import requests

url = "https://platform.ultralytics.com/api/models/{model_id}/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())

curl -X POST "https://platform.ultralytics.com/api/models/{model_id}/predict" \
  -H "Authorization: Bearer your_api_key" \
  -F "file=@image.jpg"

추론에 대해 자세히 알아보세요.

프로덕션 배포

프로덕션 사용을 위해 모델을 전용 엔드포인트에 배포하세요:

1. 모델의 Deploy 탭
2. 대화형 세계 지도에서 지역을 선택하세요 (43개 지역 이용 가능)
3. The map shows real-time latency measurements with traffic light colors (green < 100ms, yellow < 200ms, red > 200ms)
4. 클릭 Deploy 엔드포인트 생성

graph LR
    A[Select Region] --> B[Deploy]
    B --> C[Provisioning ~1 min]
    C --> D[Running]
    D --> E{Lifecycle}
    E --> F[Stop]
    E --> G[Delete]
    F --> H[Resume]
    H --> D

엔드포인트는 약 1분 내에 다음을 포함하여 준비됩니다:

• 고유 URL: API 호출을 위한 HTTPS 엔드포인트
• 자동 스케일링: 트래픽에 따라 자동으로 스케일링
• 모니터링: 요청 메트릭 및 로그

배포 후에는 모든 엔드포인트를 Deploy 사이드바의 섹션으로, 전역 지도를 표시하며 여기에는 활성 배포 현황, 개요 메트릭, 그리고 모든 엔드포인트 목록이 포함됩니다.

엔드포인트에 대해 자세히 알아보세요.

원격 교육 (선택 사항)

자체 하드웨어에서 훈련을 선호하는 경우, API 키를 사용하여 플랫폼으로 메트릭을 스트리밍할 수 있습니다. 이는 Weights & Biases 유사하게 작동합니다 Weights & Biases 어디서든 훈련하고, 플랫폼에서 모니터링하세요.

1. API 키 생성 Settings > Profile (API 키 섹션)
2. 환경 변수를 설정하고 다음 명령어로 훈련합니다: project/name 포맷:

export ULTRALYTICS_API_KEY="ul_your_api_key_here"

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

API 키, 데이터셋 URI 및 원격 훈련에 대해 자세히 알아보세요.

피드백

귀하의 피드백을 소중히 생각합니다! 피드백 버튼을 사용하여 플랫폼 개선에 도움을 주세요.

도움이 필요하신가요?

문제가 발생하거나 질문이 있는 경우:

• 문서: 자세한 가이드를 보려면 이 문서를 탐색하세요.
• Discord: 토론에 참여하려면 저희 Discord 커뮤니티에 가입하세요.
• GitHub: GitHub에 문제를 보고하세요.

5; 1 전에 생성됨 ✏️ 5 전에 업데이트됨

댓글