모델

Ultralytics Platform은 YOLO 모델의 학습, 분석 및 배포를 위한 포괄적인 모델 관리 기능을 제공합니다. 사전 학습된 모델을 업로드하거나 플랫폼에서 직접 새로운 모델을 학습시킬 수 있습니다.

모델 업로드

기존 모델 가중치를 플랫폼에 업로드합니다:

1. 프로젝트로 이동
2. 드래그 앤 드롭을 통해 프로젝트 페이지나 모델 사이드바에 .pt 파일을 추가하세요.
3. 모델 메타데이터는 파일에서 자동으로 파싱됩니다.

여러 파일을 동시에 업로드할 수 있습니다(최대 3개 동시 업로드).

지원되는 모델 형식:

업로드 후, 플랫폼에서 모델 메타데이터를 파싱합니다:

• 작업 유형 (detect, segment, pose, OBB, classify)
• 아키텍처 (YOLO26n, YOLO26s 등)
• 클래스 이름 및 개수
• 입력 크기 및 파라미터
• 학습 결과 및 메트릭 (체크포인트에 포함된 경우)

모델 학습

플랫폼에서 직접 새로운 모델을 학습시킵니다:

1. 프로젝트로 이동
2. 새 모델(New Model) 클릭
3. 베이스 모델 및 데이터셋 선택
4. 학습 파라미터 구성
5. 클라우드 또는 로컬 학습 선택
6. 학습 시작

자세한 지침은 Cloud Training을 참조하십시오.

모델 수명 주기

graph LR
    A[Upload .pt] --> B[Overview]
    C[Train] --> B
    B --> D[Predict]
    B --> E[Export]
    B --> F[Deploy]
    E --> G[17+ Formats]
    F --> H[Endpoint]

    style A fill:#4CAF50,color:#fff
    style C fill:#FF9800,color:#fff
    style E fill:#2196F3,color:#fff
    style F fill:#9C27B0,color:#fff

모델 페이지 탭

각 모델 페이지에는 다음과 같은 탭이 있습니다:

개요 탭

모델 메타데이터 및 주요 메트릭을 표시합니다:

• 모델 이름 (수정 가능), 상태 배지, 작업 유형
• 최종 메트릭 (mAP50, mAP50-95, precision, recall)
• 학습 진행 상황을 보여주는 메트릭 스파크라인 차트
• 학습 인수 (에포크, 배치 크기, 이미지 크기 등)
• 데이터셋 링크 (플랫폼 데이터셋으로 학습된 경우)
• 모델 가중치 다운로드 버튼

학습 탭

학습 탭에는 세 개의 하위 탭이 있습니다:

차트 하위 탭

에포크별 손실 곡선 및 성능 메트릭을 보여주는 대화형 학습 메트릭 차트:

콘솔 하위 탭

학습 과정의 실시간 콘솔 출력:

• 학습 중 실시간 로그 스트리밍
• 에포크 진행률 표시줄 및 검증 결과
• 강조 표시된 오류 배너를 통한 오류 감지
• 형식화된 출력을 위한 ANSI 색상 지원

시스템 하위 탭

학습 중 GPU 및 시스템 메트릭:

예측 탭

브라우저에서 직접 대화형 추론 실행:

• 이미지 업로드, 예제 이미지 사용 또는 웹캠 사용
• 바운딩 박스, 마스크 또는 키포인트와 함께 결과 표시
• 이미지 제공 시 자동 추론
• 모든 작업 유형 지원 (detect, segment, pose, OBB, classify)

내보내기 탭

모델을 17개 이상의 배포 형식으로 내보냅니다. 자세한 내용은 아래의 Export Model 및 핵심 Export mode guide를 참조하십시오.

배포 탭

전용 추론 엔드포인트를 생성하고 관리합니다. 자세한 내용은 Deployments를 참조하십시오.

검증 플롯

학습 완료 후 상세한 검증 분석을 확인합니다:

혼동 행렬 (Confusion Matrix)

클래스별 예측 정확도를 보여주는 대화형 히트맵:

PR/F1 곡선

서로 다른 신뢰도 임계값에서의 성능 곡선:

모델 내보내기

graph LR
    A[Select Format] --> B[Configure Args]
    B --> C[Export]
    C --> D{GPU Required?}
    D -->|Yes| E[Cloud GPU Export]
    D -->|No| F[CPU Export]
    E --> G[Download]
    F --> G

    style A fill:#2196F3,color:#fff
    style C fill:#FF9800,color:#fff
    style G fill:#4CAF50,color:#fff

모델을 17개 이상의 배포 형식으로 내보내십시오:

1. 내보내기(Export) 탭으로 이동
2. 대상 형식 선택
3. 내보내기 인수 구성(이미지 크기, 절반 정밀도, 동적 등)
4. GPU가 필요한 형식(TensorRT)의 경우 GPU 유형 선택
5. 내보내기(Export) 클릭
6. 완료 시 다운로드

지원되는 형식

플랫폼은 17개 이상의 배포 형식으로의 내보내기를 지원합니다: ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, TF Lite, TF Edge TPU, TF.js, PaddlePaddle, NCNN, MNN, RKNN, IMX500, Axelera 및 ExecuTorch.

형식 선택 가이드

RKNN 칩 지원

RKNN 형식으로 내보낼 때 대상 Rockchip 장치를 선택하십시오:

내보내기 작업 수명 주기

내보내기 작업은 다음 상태를 거쳐 진행됩니다:

일괄 내보내기 작업

• 모두 내보내기(Export All): Export All을 클릭하여 기본 설정으로 모든 CPU 기반 형식의 내보내기 작업을 시작하십시오.
• 모든 내보내기 삭제(Delete All Exports): Delete All을 클릭하여 해당 모델의 모든 내보내기 파일을 삭제하십시오.

형식 제한 사항

일부 내보내기 형식에는 아키텍처 또는 작업 제한이 있습니다:

모델 복제

모델을 다른 프로젝트로 복제하십시오:

1. 모델 페이지 열기
2. 복제(Clone) 버튼 클릭
3. 대상 프로젝트 선택
4. Clone을 클릭합니다.

모델과 그 가중치가 대상 프로젝트로 복사됩니다.

모델 다운로드

모델 가중치를 다운로드합니다:

1. 모델의 Overview 탭으로 이동합니다.
2. Download 버튼을 클릭합니다.
3. 원본 .pt 파일이 자동으로 다운로드됩니다.

내보내기 형식이 완료되면 Export 탭에서 다운로드할 수 있습니다.

데이터셋 연결

모델을 해당 소스 데이터셋에 연결할 수 있습니다:

• 학습에 사용된 데이터셋을 확인합니다.
• Overview 탭에서 데이터셋 카드를 클릭하여 해당 데이터셋으로 이동합니다.
• 데이터 계보 추적

ul:// URI 형식을 사용하여 플랫폼 데이터셋으로 학습할 때 연결은 자동으로 이루어집니다.

# Train with a Platform dataset — linking is automatic
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

공개 설정

모델을 볼 수 있는 사용자를 제어합니다:

공개 여부를 변경하려면 모델 페이지에서 공개 상태 배지(예: private 또는 public)를 클릭합니다. 비공개로 전환하면 즉시 적용됩니다. 공개로 전환하면 적용하기 전에 확인 대화 상자가 표시됩니다.

모델 삭제

더 이상 필요하지 않은 모델을 제거합니다:

1. 모델 작업 메뉴를 엽니다.
2. Delete를 클릭합니다.
3. 삭제를 확인합니다.

참고

• Inference: Predict 탭을 사용하여 브라우저에서 모델을 테스트합니다.
• Endpoints: 전용 엔드포인트를 사용하여 모델을 프로덕션 환경에 배포합니다.
• Cloud Training: 클라우드 GPU에서 학습 작업을 구성하고 실행합니다.
• Export Formats: 17개 이상의 모든 내보내기 형식에 대한 전체 가이드입니다.

FAQ

어떤 모델 아키텍처가 지원되나요?

Ultralytics 플랫폼은 전용 프로젝트와 함께 모든 YOLO 아키텍처를 완벽하게 지원합니다:

• YOLO26: n, s, m, l, x 변형(최신, 권장) — platform.ultralytics.com/ultralytics/yolo26
• YOLO11: n, s, m, l, x 변형 — platform.ultralytics.com/ultralytics/yolo11
• YOLOv8: n, s, m, l, x 변형 — platform.ultralytics.com/ultralytics/yolov8
• YOLOv5: n, s, m, l, x 변형 — platform.ultralytics.com/ultralytics/yolov5

모든 아키텍처는 detect, segment, pose, OBB, classify의 5가지 작업 유형을 지원합니다.

학습된 모델을 다운로드할 수 있습니까?

네, 모델 페이지에서 모델 가중치를 다운로드할 수 있습니다:

1. Overview 탭에서 다운로드 아이콘을 클릭합니다.
2. 원본 .pt 파일이 자동으로 다운로드됩니다.
3. 내보내기 형식은 Export 탭에서 다운로드할 수 있습니다.

프로젝트 간에 모델을 어떻게 비교하나요?

현재 모델 비교는 프로젝트 내에서만 가능합니다. 프로젝트 간 비교를 하려면:

1. 모델을 단일 프로젝트로 복제하거나,
2. 메트릭을 내보내 외부에서 비교합니다.

최대 모델 크기는 얼마인가요?

엄격한 제한은 없지만 매우 큰 모델(>2GB)은 업로드 및 처리 시간이 더 걸릴 수 있습니다.

사전 학습된 모델을 미세 조정(fine-tune)할 수 있나요?

네! 공식 YOLO26 모델을 베이스로 사용하거나, 학습 대화 상자의 모델 선택기에서 완료된 모델 중 하나를 선택할 수 있습니다. 플랫폼은 업로드된 모든 체크포인트로부터의 미세 조정을 지원합니다.