모델

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

모델 업로드

기존 모델 가중치를 Platform에 업로드:

1. 프로젝트로 이동
2. 모델 업로드를 클릭하세요.
3. 선택 .pt 파일
4. 이름 및 설명 추가
5. 업로드를 클릭합니다.

지원되는 모델 형식:

업로드 후 Platform은 모델 메타데이터를 파싱합니다:

• 작업 유형 (detect, segment, pose, OBB, classify)
• 아키텍처 (YOLO26n, YOLO26s 등)
• 클래스 이름 및 개수
• 입력 크기 및 파라미터

모델 학습

Platform에서 직접 새로운 모델 학습:

1. 프로젝트로 이동
2. 모델 학습을 클릭하세요
3. 데이터셋 선택
4. 기본 모델 선택
5. 학습 매개변수 구성
6. 학습 시작

자세한 지침은 클라우드 학습을 참조하십시오.

모델 개요

각 모델 페이지에는 다음이 표시됩니다:

훈련 측정 항목

실시간 및 과거 학습 지표 보기:

손실 곡선

성능 지표

검증 플롯

학습 완료 후, 상세 검증 분석 보기:

오차 행렬

클래스별 예측 정확도를 보여주는 대화형 히트맵:

PR/F1 곡선

다양한 신뢰도 임계값에서의 성능 곡선:

모델 내보내기

모델을 17가지 배포 형식으로 내보내기:

1. 내보내기 탭으로 이동
2. 대상 형식 선택
3. 내보내기 클릭
4. 완료 시 다운로드

지원되는 형식 (총 17개)

형식 선택 가이드

NVIDIA 경우: TensorRT 를 사용하여 최대 속도 달성

Intel 경우: OpenVINOIntel , GPU 및 VPU용

Apple 기기의 경우: CoreMLiOS, macOS, Apple Silicon용

Android용: TF 또는 NCNN 를 사용하세요

웹 브라우저용: TF.js 또는 ONNX ( ONNX 웹과 함께)

에지 디바이스용: 코랄에는 TF TPU, 록칩에는 RKNN을 사용하십시오.

일반 호환성을 위해: 사용 ONNX — 대부분의 추론 런타임과 호환됩니다

데이터셋 연결

모델은 원본 데이터셋에 연결될 수 있습니다:

• 훈련에 사용된 데이터셋 확인
• 모델 페이지에서 데이터셋 접근
• 데이터 lineage track

플랫폼 데이터셋을 사용하여 학습할 때 ul:// URI 형식으로, 연결은 자동으로 이루어집니다.

가시성 설정

모델을 볼 수 있는 사용자 제어:

공개 설정 변경 방법:

1. 모델 작업 메뉴를 엽니다.
2. 편집 클릭
3. 가시성 전환
4. 저장 클릭

모델 삭제

더 이상 필요 없는 모델 제거:

1. 모델 작업 메뉴를 엽니다.
2. 삭제를 클릭하세요.
3. 삭제 확인

FAQ

어떤 모델 아키텍처가 지원되나요?

Ultralytics Platform은 모든 YOLO 아키텍처를 지원합니다:

• YOLO26: n, s, m, l, x 변형 (권장)
• YOLO11: n, s, m, l, x 변형
• YOLOv10: 레거시 지원
• YOLOv8: 레거시 지원
• YOLOv5: 레거시 지원

학습된 모델을 다운로드할 수 있나요?

예, 모델 페이지에서 모델 가중치를 다운로드하십시오:

1. 다운로드 아이콘을 클릭하세요
2. 형식 선택 (원본 .pt 또는 내보낸)
3. 다운로드가 자동으로 시작됩니다

프로젝트 간 모델을 어떻게 비교하나요?

현재 모델 비교는 프로젝트 내에서 이루어집니다. 프로젝트 간 비교를 위해서는:

1. 모델을 단일 프로젝트로 전송하거나,
2. 메트릭을 내보내고 외부에서 비교

최대 모델 크기는 얼마인가요?

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

사전 학습된 모델을 미세 조정할 수 있나요?

예! 사전 훈련된 모델을 업로드한 다음, 해당 체크포인트에서 사용자 데이터셋으로 훈련을 시작하십시오. 플랫폼은 업로드된 모델을 자동으로 시작점으로 사용합니다.

5; 20 전에 생성됨 ✏️ 14 전에 업데이트됨

댓글