Link to this sectionModels#

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

Link to this section모델 업로드#

기존 모델 가중치를 플랫폼에 업로드하십시오:

1. 프로젝트로 이동
2. 드래그 앤 드롭으로 .pt 파일을 프로젝트 페이지나 모델 사이드바에 추가하십시오
3. 모델 메타데이터는 파일에서 자동으로 파싱됩니다

여러 파일을 동시에 업로드할 수 있습니다 (최대 3개 동시).

지원되는 모델 형식:

업로드 후, 플랫폼은 모델 메타데이터를 파싱합니다:

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

Link to this section모델 학습#

플랫폼에서 직접 새로운 모델을 학습시키십시오:

1. 프로젝트로 이동
2. 새 모델 클릭
3. 기본 모델 및 데이터셋 선택
4. 학습 파라미터 구성
5. 클라우드 또는 로컬 학습 선택
6. 학습 시작

자세한 지침은 Cloud Training을 참조하십시오.

Link to this section모델 수명 주기#

graph LR
    A[Upload .pt] --> B[Overview]
    C[Train] --> B
    B --> D[Predict]
    B --> E[Export]
    B --> F[Deploy]
    E --> G[19+ 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

Link to this section모델 페이지 탭#

각 모델 페이지에는 다음 탭이 있습니다:

Link to this section개요 탭#

모델 메타데이터 및 주요 메트릭 표시:

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

Link to this section학습 탭#

학습 탭에는 세 개의 하위 탭이 있습니다:

Link to this section차트 하위 탭#

에폭에 따른 손실 곡선 및 성능 메트릭을 보여주는 대화형 학습 메트릭 차트:

Link to this section콘솔 하위 탭#

학습 과정의 실시간 콘솔 출력:

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

Link to this section시스템 하위 탭#

학습 중 GPU 및 시스템 메트릭:

Link to this section예측 탭#

브라우저에서 직접 대화형 추론 실행:

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

Link to this section내보내기 탭#

모델을 19개 이상의 배포 형식으로 내보내십시오. 아래의 Export Model 및 핵심 Export 모드 가이드에서 전체 세부 정보를 확인하십시오.

Link to this section배포 탭#

전용 추론 엔드포인트를 생성하고 관리하십시오. 세부 정보는 Deployments를 참조하십시오.

Link to this section검증 플롯#

학습 완료 후 자세한 검증 분석 보기:

Link to this section혼동 행렬 (Confusion Matrix)#

클래스별 예측 정확도를 보여주는 대화형 히트맵:

Link to this sectionPR/F1 곡선#

다양한 신뢰도 임계값에서의 성능 곡선:

Link to this section모델 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 19개 이상의 배포 형식으로 내보내십시오:

1. 내보내기(Export) 탭으로 이동합니다
2. 대상 형식을 선택합니다
3. 내보내기 인수(이미지 크기, 하프 정밀도, 동적 설정 등)를 구성합니다
4. GPU가 필요한 형식(TensorRT)의 경우 GPU 유형을 선택합니다
5. **내보내기(Export)**를 클릭합니다
6. 완료되면 다운로드합니다

Link to this section지원되는 형식#

본 플랫폼은 19개 이상의 배포 형식으로 내보내기를 지원합니다: ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, TF Lite, TF Edge TPU, TF.js, PaddlePaddle, NCNN, MNN, RKNN, Qualcomm (QNN), IMX500, Axelera, ExecuTorch, DeepX.

Link to this section형식 선택 가이드#

Link to this sectionRKNN 칩 지원#

RKNN 형식으로 내보낼 때, 대상 Rockchip 장치를 선택하십시오:

Link to this section내보내기 작업 수명 주기#

내보내기 작업은 다음 상태를 거쳐 진행됩니다:

Link to this section대량 내보내기 작업#

• 모두 내보내기(Export All): Export All을 클릭하여 기본 설정으로 모든 CPU 기반 형식에 대한 내보내기 작업을 시작합니다.
• 모든 내보내기 삭제(Delete All Exports): Delete All을 클릭하여 해당 모델에 대한 모든 내보내기 항목을 제거합니다.

Link to this section형식 제한 사항#

일부 내보내기 형식에는 아키텍처 또는 작업 제한이 있습니다:

Link to this section모델 복제#

모델을 다른 프로젝트로 복제하기:

1. 모델 페이지를 엽니다
2. 복제(Clone) 버튼을 클릭합니다
3. 대상 프로젝트를 선택합니다
4. **복제(Clone)**를 클릭합니다

모델과 가중치(weights)가 대상 프로젝트로 복사됩니다.

Link to this section모델 다운로드#

모델 가중치 다운로드하기:

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

내보낸 형식은 내보내기가 완료된 후 내보내기(Export) 탭에서 다운로드할 수 있습니다.

Link to this section데이터셋 연결#

모델을 해당 소스 데이터셋에 연결할 수 있습니다:

• 학습에 사용된 데이터셋 확인하기
• 개요(Overview) 탭에서 데이터셋 카드를 클릭하여 해당 데이터셋으로 이동합니다
• 데이터 계보 추적

ul:// URI 형식을 사용하여 Platform 데이터 세트로 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

Link to this section공개 범위 설정#

모델을 볼 수 있는 사용자 제어:

공개 범위를 변경하려면 페이지 헤더에 있는 가시성 배지(예: private 또는 public)를 클릭하십시오. 가시성은 프로젝트 단위로 설정되므로 이 설정은 프로젝트 내의 모든 모델에 적용됩니다. 비공개로 전환하면 즉시 적용됩니다. 공개로 전환할 경우 적용 전에 확인 대화 상자가 표시됩니다.

Link to this section모델 삭제#

더 이상 필요하지 않은 모델 제거:

1. 모델 작업 메뉴 열기
2. 삭제(Delete) 클릭
3. 삭제 확인

Link to this section참고 항목#

• 추론(Inference): 예측(Predict) 탭을 사용하여 브라우저에서 모델 테스트
• 엔드포인트(Endpoints): 전용 엔드포인트로 모델을 프로덕션에 배포
• 클라우드 학습(Cloud Training): 클라우드 GPU에서 학습 작업 구성 및 실행
• 내보내기 형식(Export Formats): 19개 이상의 모든 내보내기 형식에 대한 전체 가이드

Link to this sectionFAQ#

Link to this section어떤 모델 아키텍처가 지원됩니까?#

Ultralytics Platform은 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

YOLO26은 6가지 작업 유형(detect, segment, semantic, pose, OBB, classify)을 지원합니다. YOLO11과 YOLOv8은 의미론적 분할을 제외하고 동일한 세트를 지원하며, YOLOv5는 탐지, 분할 및 분류를 지원합니다.

Link to this section학습된 모델을 다운로드할 수 있습니까?#

예, 모델 페이지에서 모델 가중치를 다운로드할 수 있습니다:

1. 개요(Overview) 탭에서 다운로드 아이콘 클릭
2. 원본 .pt 파일이 자동으로 다운로드됩니다
3. 내보낸 형식은 내보내기(Export) 탭에서 다운로드할 수 있습니다

Link to this section프로젝트 간 모델 비교는 어떻게 합니까?#

현재 모델 비교는 프로젝트 내에서만 가능합니다. 프로젝트 간에 비교하려면 다음 방법을 사용하십시오:

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

Link to this section최대 모델 크기는 얼마입니까?#

업로드된 .pt 모델 파일은 1GB로 제한되며, 이 제한에 가까운 모델은 업로드 및 처리 시간이 더 걸릴 수 있습니다.

Link to this section사전 학습된 모델을 파인튜닝할 수 있습니까?#

네! 공식 YOLO26 모델을 기본값으로 사용하거나, 학습 대화 상자의 모델 선택기에서 완료된 자체 모델 중 하나를 선택할 수 있습니다. Platform은 업로드된 모든 체크포인트로부터의 파인튜닝을 지원합니다.