모델#

Ultralytics Platform은 YOLO 모델 학습, 분석, 배포를 위한 포괄적인 모델 관리 기능을 제공합니다. 사전 학습된 모델을 업로드하거나 플랫폼에서 직접 새 모델을 학습할 수 있습니다.

모델 업로드#

기존 모델 가중치를 플랫폼에 업로드합니다:

1. 프로젝트로 이동합니다.
2. .pt 파일을 프로젝트 페이지나 모델 사이드바로 드래그 앤 드롭하거나 모델 업로드 아이콘을 클릭합니다
3. 파일에서 모델 메타데이터가 자동으로 파싱됩니다

여러 파일을 동시에 업로드할 수 있습니다(최대 동시 업로드 3개).

지원되는 모델 형식:

업로드 후 플랫폼에서 모델 메타데이터를 파싱합니다:

• 태스크 유형(감지, 세그먼트, 시맨틱, 깊이, 분류, 포즈, OBB)
• 아키텍처(YOLO26n, YOLO26s 등)
• 클래스 이름 및 개수
• 입력 크기 및 파라미터
• 학습 결과 및 지표(체크포인트에 포함된 경우)

모델 학습#

플랫폼에서 직접 새 모델을 학습합니다:

1. 프로젝트로 이동합니다.
2. New Model을 클릭합니다
3. 기본 모델과 데이터셋을 선택합니다
4. 학습 매개변수를 구성합니다
5. 클라우드 학습 또는 로컬 학습을 선택합니다
6. 학습을 시작합니다

자세한 지침은 클라우드 학습을 참조하세요.

모델 수명 주기#

graph LR
    A[Upload .pt]:::start --> B[Overview]:::proc
    C[Train]:::start --> B
    B --> D[Predict]:::proc
    B --> E[Export]:::proc
    B --> F[Deploy]:::proc
    E --> G[22 Formats]:::out
    F --> H[Endpoint]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

모델 페이지 탭#

각 모델 페이지에는 다음 탭이 있습니다:

모델 헤더#

탭 위의 헤더에는 모델 색상(편집 가능), 이름(클릭하여 변경), 태스크 배지, 체크포인트의 ultralytics 버전, 라이선스 선택기가 표시됩니다. 헤더의 작업 메뉴에는 모델 복제(가중치가 있고 사용자가 아직 소유하지 않은 완료된 모델에만 표시), 다운로드, 별표, 공유(공개 모델), 정보, 새로고침, 모델 삭제가 포함된 추가 작업 메뉴가 있습니다.

바로 아래에는 각 태스크 지표의 최종값과 학습 진행 상황을 나타내는 스파크라인이 카드별로 표시됩니다. 카드를 클릭하면 차트로 이동하며, 모델 학습에 사용된 데이터셋으로 연결되는 카드도 함께 표시됩니다.

개요 탭#

실행 정보 카드에는 실행 방식이 기록됩니다. 상태, 시작 시간, 실행 시간, GPU 및 시간당 요금에 따른 컴퓨팅 비용, ultralytics 버전, 호스트 세부 정보(호스트 이름, 환경, OS, Python, CPU, GPU), 상위 모델, 고정된 데이터셋 버전, 실행에서 보고된 경우 Git 저장소, 브랜치 및 커밋, 복사하여 재현할 수 있는 yolo train 명령이 포함됩니다.

실행 중에는 카드에 에포크 카운터, 진행률 표시줄, 경과 시간, 예상 완료 시간, 누적 비용 등 실시간 진행 상황과 취소 버튼이 표시됩니다. 실행에 실패하면 오류 배너가 표시되며, 캡처된 오류와 전체 콘솔 로그 보기, 학습 재시도 작업을 확인할 수 있습니다.

아래의 학습 구성에는 사용된 모든 하이퍼파라미터가 나열되고, 성능 지표에는 최종 평가 결과가 나열됩니다. 두 표 모두 검색할 수 있으며 데이터 내보내기 메뉴(JSON 복사, CSV 다운로드, JSON 다운로드)가 있습니다.

학습 탭#

학습 탭에는 세 개의 하위 탭이 있습니다:

차트 하위 탭#

에포크에 따른 대화형 지표 차트입니다. 실행에서 검증 아티팩트가 생성된 경우 Training 및 Validation 보기로 나뉩니다. 차트 그룹은 실행에서 보고한 지표를 따릅니다:

각 그룹은 접을 수 있으며, 메뉴에서 개별 차트(손실의 경우 학습 또는 검증 시리즈)를 표시하거나 숨길 수 있습니다. 차트를 드래그하고 크기를 조정해 레이아웃을 구성할 수 있으며, 레이아웃은 세션 간에 유지됩니다.

콘솔 하위 탭#

학습 프로세스의 실시간 콘솔 출력:

• 학습 중 실시간 로그 스트리밍을 제공하며, 마지막 2000개 줄을 보존합니다.
• 에포크 진행률 표시줄 및 검증 결과
• 치명적 오류를 감지해 실행을 종료하고 배너에 메시지를 표시합니다.
• ANSI 색상 지원, 선택적 타임스탬프 열, 일반 텍스트로 한 번에 복사하는 기능

시스템 하위 탭#

학습 인스턴스(호스트 이름, CPU, GPU, RAM 및 디스크 총량, 마지막 확인 시각)를 요약하는 호스트 카드와 에포크별 차트:

GPU, 네트워크, 디스크 차트는 실행에서 해당 카운터를 보고한 경우에만 표시됩니다.

Predict 탭#

브라우저에서 바로 대화형 추론을 실행합니다:

• 이미지를 업로드하거나, 예제 이미지를 사용하거나, 웹캠을 사용합니다.
• 결과에는 바운딩 박스, 마스크, 시맨틱 클래스 맵 또는 키포인트가 표시됩니다.
• 이미지를 제공하면 자동으로 추론을 수행합니다.
• 모든 작업 유형을 지원합니다(감지, 세그멘테이션, 시맨틱, 깊이, 분류, 포즈, OBB).

Export 탭#

모델을 22가지 배포 형식으로 내보내세요. 자세한 내용은 아래의 모델 내보내기와 핵심 내보내기 모드 가이드를 참조하세요.

Deploy 탭#

전용 추론 엔드포인트를 생성하고 관리합니다. 자세한 내용은 배포를 참조하세요.

검증 플롯#

학습이 완료되면 Charts 하위 탭의 Validation 보기에서 마지막 에포크를 상세히 분석할 수 있습니다.

혼동 행렬#

클래스별 예측 정확도를 보여주는 대화형 히트맵:

PR/F1 곡선#

학습 실행에서 해당 아티팩트를 제공하는 경우, Validation 보기에도 다양한 confidence 임계값에서의 성능 곡선이 표시됩니다. 사용 가능한 검증 플롯은 실행에서 생성된 아티팩트에 따라 달라집니다.

이미지별 진단#

저장된 데이터셋 버전을 사용해 학습한 감지 모델은 이미지별 검증 분석도 제공합니다. 이를 통해 낮은 점수의 원인이 되는 데이터를 확인할 수 있습니다:

• 성능이 가장 낮거나 높은 이미지: 이미지별 F1 점수순으로 정렬되며, 정답 박스가 표시됩니다.
• 특성 탐색기: F1과 이미지 너비, 높이, 픽셀 수, 종횡비, 인스턴스 수 간의 상관관계를 분석하며, 기본적으로 가장 강한 관계를 선택합니다.
• 실패와 연관된 클래스: 성능이 가장 낮은 이미지에 가장 자주 나타나는 클래스의 순위를 매깁니다.
• 유사 이미지 찾기 기능은 성능이 가장 낮은 이미지 갤러리, 전체 화면으로 보는 단일 이미지, 클래스 행에서 사용할 수 있습니다. 이 기능은 공개 데이터셋과 자체 데이터셋 및 팀 데이터셋에서 캡처된 실패 이미지와 비슷한 이미지를 검색하고, 선택한 이미지를 라벨이 지정되지 않은 train 이미지로 학습 데이터셋에 추가합니다(유사 이미지 찾기 참조). 프로젝트를 편집할 수 있고 학습 데이터셋이 동일한 워크스페이스의 비연결 데이터셋인 경우에 표시됩니다.

모델 내보내기#

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

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

모델을 22가지 배포 형식으로 내보내세요:

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

내보내기가 준비되거나 실패했을 때 메시지를 받으려면 Slack 알림을 연결하세요.

지원 형식#

Platform은 22가지 배포 형식으로 내보내기를 지원합니다: TorchScript, ONNX, OpenVINO, TensorRT, CoreML, Apple Core AI, TF SavedModel, TF GraphDef, TF Edge TPU, LiteRT, PaddlePaddle, MNN, NCNN, IMX500, RKNN, ExecuTorch, Axelera, DeepX, Qualcomm(QNN), Hailo, Huawei Ascend, AMD Xilinx.

형식 선택 가이드#

NVIDIA Jetson TensorRT 대상#

Ultralytics Platform은 TensorRT .engine 내보내기를 위해 다음 Jetson 대상 선택 항목을 제공합니다. 아래의 2026년 7월 검증 측정은 JetPack 7.2 / L4T r39.2, Python 3.12.3, NVIDIA PyTorch 2.12.0a0(26.04 빌드), CUDA 13.2, TensorRT 10.16.1.11을 사용했습니다. 이 측정값은 해당 테스트 환경을 기준으로 합니다. 내보낸 엔진을 재사용하기 전에 현재 워커 및 배포 장치의 런타임을 확인하세요.

측정 시간은 2026년 7월에 수행한 단일 엔드투엔드 프로덕션 라우팅 테스트의 관측값이며, 가장 가까운 초 단위로 반올림했습니다. 이 값은 참고 측정치이며 SLA 또는 SKU별 성능 벤치마크가 아닙니다. 두 Thor 구성은 모두 NVIDIA의 T4000 호환 프로파일에서 T5000 Developer Kit으로 빌드했습니다. Orin 라우트 6개는 AGX Orin 64GB에서 빌드했으며, 생성된 모든 엔진을 로드하고 실행했습니다.

RKNN 칩 지원#

RKNN 형식으로 내보낼 때는 대상 Rockchip 장치를 선택하세요:

내보내기 작업 수명 주기#

내보내기 작업은 다음 상태로 진행됩니다:

일괄 내보내기 작업#

• 모두 내보내기: Export All을 클릭하면 기본 설정으로 CPU 기반 형식 전체의 내보내기 작업이 시작됩니다. GPU 선택이 필요한 형식, 이 모델에서 사용할 수 없는 형식 또는 이미 내보낸 형식은 건너뛰고 목록에 표시됩니다.
• 모든 내보내기 삭제: Delete All을 클릭하면 모델의 모든 내보내기가 삭제됩니다.

형식 제한 사항#

일부 내보내기 형식에는 아키텍처 또는 작업 관련 제한이 있습니다:

프로젝트 간 모델 이동#

편집할 수 있는 모델을 복사하지 않고 동일한 워크스페이스의 다른 프로젝트로 이동하세요:

1. 원본 프로젝트를 열고 모델 목록에서 모델을 하나 이상 선택합니다.
2. 마우스 오른쪽 버튼을 클릭하고 잘라내기(Cmd/Ctrl+X)를 선택합니다.
3. 대상 프로젝트를 열고 모델 목록을 마우스 오른쪽 버튼으로 클릭한 다음 붙여넣기(Cmd/Ctrl+V)를 선택하거나, 선택한 모델을 사이드바의 대상 프로젝트로 드래그합니다.

이동한 모델은 가중치, 지표, 내보내기 및 배포를 유지하며 대상 프로젝트의 URL을 사용합니다. URL 이름이 대상 프로젝트에서 이미 사용 중인 모델은 도착 시 이름이 변경됩니다. 학습 중인 모델은 이동할 수 없으며 Esc을 실행하면 보류 중인 잘라내기가 취소됩니다. 소유하지 않은 모델을 본인 프로젝트로 복사하려면 모델 복제를 사용하세요.

모델 복제#

모델을 다른 프로젝트로 복제하세요:

1. 모델 페이지를 엽니다.
2. 모델 복제를 클릭합니다.
3. 대상 프로젝트를 선택하거나 새 프로젝트를 선택해 바로 새 프로젝트를 만듭니다.
4. 필요한 경우 복제본에 다른 이름을 지정합니다.
5. 모델 복제를 클릭합니다.

모델과 해당 가중치가 대상 프로젝트에 복사됩니다. 가중치가 있는 완료된 모델 중 아직 소유하지 않은 모델에 모델 복제가 표시됩니다.

모델 다운로드#

모델 가중치를 다운로드합니다:

1. 모델 페이지를 엽니다.
2. 모델 헤더의 다운로드 아이콘을 클릭합니다(모든 탭에서 사용 가능).
3. 모델의 기본 .pt 체크포인트가 자동으로 다운로드됩니다.

내보내기가 완료되면 Export 탭에서 내보낸 형식을 다운로드할 수 있습니다.

데이터셋 연결#

모델을 해당 모델의 원본 데이터셋에 연결할 수 있습니다:

• 학습에 사용된 데이터셋 확인
• Overview 탭에서 데이터셋 카드를 클릭해 해당 데이터셋으로 이동합니다.
• 데이터 계보 추적

ul:// URI 형식을 사용하는 Platform 데이터셋으로 학습하면 자동으로 연결됩니다.

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

사용자 지정 메타데이터#

More actions를 열고 Information을 선택하면 다음 두 섹션을 확인할 수 있습니다:

• Ultralytics 메타데이터: 모델 ID, 프로젝트, 원본 데이터셋, 태스크, 상태, 타임스탬프 등 읽기 전용 Platform 세부 정보
• 사용자 지정 메타데이터: 평가 컨텍스트, 릴리스 추적, 거버넌스 또는 기타 모델별 데이터를 위한 사용자 고유의 JSON 객체

사용자 지정 메타데이터는 학습에서 관리하는 모델 정보, 환경 세부 정보 및 학습 인수와 별개입니다. 워크스페이스 뷰어는 이를 확인할 수 있으며, 편집 권한이 있는 멤버는 객체를 교체할 수 있습니다. 직렬화된 메타데이터 객체는 최대 500,000자이며, 최상위 키 하나의 길이는 최대 128자입니다. 사용자 지정 메타데이터를 지우려면 빈 객체({})를 저장합니다.

공개 범위 설정#

모델을 볼 수 있는 사용자를 설정합니다:

공개 범위는 프로젝트 수준에서 설정되므로 프로젝트의 모든 모델에 적용됩니다. 변경하려면 페이지 상단의 탐색 경로에서 프로젝트 이름 옆에 있는 공개 범위 배지(private 또는 public)를 클릭합니다. 비공개로 전환하면 즉시 적용됩니다. 공개로 전환하면 적용 전에 확인 대화상자가 표시됩니다.

모델 삭제#

더 이상 필요하지 않은 모델을 삭제합니다:

1. 모델 헤더에서 More actions 메뉴를 열고 Delete Model을 선택합니다.
2. 삭제를 확인합니다.

관련 항목#

• 추론: Predict 탭에서 브라우저로 모델을 테스트합니다.
• 엔드포인트: 전용 엔드포인트를 통해 모델을 프로덕션 환경에 배포합니다.
• 클라우드 학습: 클라우드 GPU에서 학습 작업을 구성하고 실행합니다.
• 내보내기 형식: 22가지 내보내기 형식 전체 가이드

자주 묻는 질문#