Models#

Ultralytics Platform은 YOLO 모델의 학습, 분석 및 배포를 위한 종합적인 모델 관리를 제공합니다. 사전 학습된 모델을 업로드하거나 플랫폼에서 직접 새 모델을 학습할 수 있습니다.

모델 업로드#

기존 모델 가중치를 플랫폼에 업로드합니다:

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

여러 파일을 동시에 업로드할 수 있습니다(동시 업로드 최대 3개).

지원되는 모델 형식:

업로드 후 플랫폼이 모델 메타데이터를 파싱합니다:

• 작업 유형(detect, segment, semantic, depth, classify, pose, OBB)
• 아키텍처(YOLO26n, YOLO26s 등)
• 클래스 이름 및 개수
• 입력 크기 및 파라미터
• 학습 결과 및 metrics(checkpoint에 있는 경우)

모델 학습#

플랫폼에서 직접 새 모델을 학습합니다:

1. 프로젝트로 이동합니다.
2. New Model을 클릭합니다.
3. 기본 모델 및 데이터셋 선택
4. 학습 매개변수를 구성합니다.
5. 클라우드 또는 로컬 학습 선택
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[20 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 이름 변경), 작업 배지, checkpoint의 ultralytics 버전 및 라이선스 선택기가 표시됩니다. 작업으로는 모델 복제(가중치를 아직 소유하지 않은 완료된 모델에서), 다운로드, Star, 공유(공개 모델용), 그리고 정보, 새로 고침, 모델 삭제가 포함된 추가 작업 메뉴가 있습니다.

바로 아래에는 각 작업 metric별 카드가 하나씩 표시되며, 학습 진행 상황을 나타내는 스파크라인 위에 최종 값이 표시됩니다. 차트로 이동하려면 카드를 클릭하면 됩니다. 또한 모델이 학습된 데이터셋으로 연결되는 카드도 함께 표시됩니다.

개요 탭#

실행 정보 카드는 실행 상태, 시작 시간, 실행 시간, GPU 및 시간당 요금에 따른 compute 비용, ultralytics 버전, 호스트 세부 정보(hostname, 환경, OS, Python, CPU, GPU), 상위 모델, 고정된 데이터셋 버전, 실행에서 보고된 경우 Git repository, 브랜치 및 commit, 그리고 복사할 수 있는 재현 가능한 yolo train 명령을 기록합니다.

실행이 활성 상태인 동안 카드에는 실시간 진행 상황(에폭 카운터, 진행률 표시줄, 경과 시간, ETA, 누적 비용)과 취소 버튼이 표시됩니다. 실행에 실패하면 캡처된 오류와 전체 콘솔 로그 보기 및 학습 재시도 작업이 포함된 오류 배너로 대체됩니다.

그 아래에서 학습 구성에는 사용된 모든 하이퍼파라미터가 나열되고 성능 Metrics에는 최종 평가 결과가 나열됩니다. 두 테이블 모두 검색할 수 있으며 데이터 내보내기 메뉴(Copy JSON, Download CSV, Download JSON)가 있습니다.

Train 탭#

Train 탭에는 세 개의 하위 탭이 있습니다:

차트 하위 탭#

에폭별 대화형 metric 차트입니다. 실행에서 validation artifact가 생성된 경우 학습 및 검증 보기로 나뉩니다. 차트 그룹은 실행에서 보고한 metrics를 따릅니다:

각 그룹은 접을 수 있으며, 메뉴에서 개별 차트(및 loss의 경우 학습 또는 검증 series)를 숨기거나 표시할 수 있습니다. 차트를 드래그하고 크기를 조정하여 레이아웃을 구성할 수 있으며, 해당 레이아웃은 세션 간에 유지됩니다.

콘솔 하위 탭#

학습 프로세스의 실시간 콘솔 출력:

• 학습 중 실시간 로그 스트리밍, 마지막 2000줄 유지
• 에폭 진행률 표시줄 및 validation 결과
• 실행을 종료하고 배너에 메시지를 표시하는 치명적 오류 감지
• ANSI 색상 지원, 선택적 타임스탬프 열, 일반 텍스트로 원클릭 복사

시스템 하위 탭#

학습 인스턴스를 요약하는 호스트 카드(hostname, CPU, GPU, RAM 및 디스크 총 용량, 마지막 확인 시간)와 에폭별 차트가 이어집니다:

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

Predict 탭#

브라우저에서 직접 대화형 추론을 실행합니다:

• 이미지를 업로드하거나, 예시 이미지를 사용하거나, 웹캠을 사용합니다.
• 결과에 bounding box, mask, semantic class map 또는 keypoint가 표시됩니다.
• 이미지가 제공되면 자동으로 추론합니다.
• 모든 작업 유형을 지원합니다(detect, segment, semantic, depth, classify, pose, OBB).

Export 탭#

모델을 20개의 배포 형식으로 내보냅니다. 자세한 내용은 아래의 모델 내보내기와 핵심 Export 모드 가이드를 참조하세요.

Deploy 탭#

전용 추론 엔드포인트를 생성하고 관리합니다. 자세한 내용은 배포를 참조하세요.

검증 플롯#

학습이 완료되면 Charts 하위 탭 내 Validation 보기에서 최종 에폭에 대한 상세 분석을 확인할 수 있습니다.

혼동 행렬#

클래스별 예측 정확도를 보여주는 대화형 heatmap:

PR/F1 곡선#

학습 실행에서 관련 항목을 제공하는 경우 Validation 보기에도 다양한 confidence threshold에서의 성능 곡선이 표시됩니다. 사용 가능한 validation 플롯은 실행에서 생성된 아티팩트에 따라 달라집니다.

이미지별 진단#

저장된 dataset 버전으로 학습된 detection 모델은 이미지별 validation 분석도 제공하며, 낮은 score의 원인이 된 데이터를 확인할 수 있습니다:

• 성능이 가장 낮거나 높은 이미지: 이미지별 F1을 기준으로 순위를 매기고 ground-truth box와 함께 표시합니다.
• 특성 탐색기: F1과 이미지 너비, 높이, pixel 수, 종횡비, instance 수의 상관관계를 분석하며, 기본적으로 가장 강한 관계를 선택합니다.
• 실패와 관련된 클래스: 성능이 가장 낮은 이미지에 가장 자주 나타나는 클래스의 순위를 매깁니다.
• 유사한 항목 찾기 기능은 성능이 가장 낮은 갤러리, 단일 이미지의 전체 화면 보기, 클래스 행에서 사용할 수 있으며, 공개 데이터셋에서 캡처된 실패 사례와 유사한 이미지를 검색하여 사용자가 선택한 이미지를 라벨이 지정되지 않은 train 이미지로 학습 데이터셋에 추가합니다(유사 이미지 찾기 참조). 이 기능은 프로젝트를 편집할 수 있고 학습 데이터셋이 동일 워크스페이스의 비연결 데이터셋인 경우에 표시됩니다.

모델 Export#

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 20개의 deployment format으로 export합니다:

1. Export 탭으로 이동합니다.
2. 대상 format을 선택합니다.
3. export 인수를 구성합니다(image size, half precision, dynamic 등).
4. GPU가 필요한 format(TensorRT)의 경우 GPU type을 선택합니다.
5. Start Export를 클릭합니다.
6. 완료되면 다운로드합니다.

Slack 알림을 연결하면 export가 준비되거나 실패했을 때 메시지를 받을 수 있습니다.

지원되는 형식#

Platform은 20개의 deployment format으로의 export를 지원합니다: ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, LiteRT, TF Edge TPU, PaddlePaddle, NCNN, MNN, RKNN, Qualcomm (QNN), IMX500, Axelera, ExecuTorch, DeepX, Hailo, Huawei Ascend.

Format 선택 가이드#

NVIDIA Jetson TensorRT 대상#

Ultralytics Platform은 TensorRT .engine 내보내기를 위해 다음과 같은 Jetson 타겟 선택 항목을 제공합니다. 아래의 2026년 7월 검증 측정값은 JetPack 7.2 / L4T r39.2, Python 3.12.3, NVIDIA PyTorch 2.12.0a0(26.04 빌드), CUDA 13.2 및 TensorRT 10.16.1.11을 사용했습니다. 이는 테스트된 환경을 설명하므로, 내보낸 엔진을 재사용하기 전에 현재 워커 및 배포 장치 런타임을 확인하십시오.

측정 시간은 2026년 7월에 수행한 단일 end-to-end production routing 테스트 결과를 가장 가까운 초 단위로 반올림한 값입니다. 이는 reference measurement이며 SLA 또는 SKU별 성능 benchmark가 아닙니다. 두 Thor 선택 항목은 NVIDIA의 T4000 compatibility profile에서 T5000 Developer Kit으로 빌드됩니다. 6개의 Orin route는 AGX Orin 64GB에서 빌드되며, 생성된 모든 engine을 load하고 실행했습니다.

RKNN Chip 지원#

RKNN format으로 export할 때 대상 Rockchip device를 선택합니다:

내보내기 작업 수명 주기#

내보내기 작업은 다음 상태를 거칩니다.

일괄 내보내기 작업#

• 모두 내보내기: Export All을 클릭하면 기본 설정으로 모든 CPU 기반 형식의 내보내기 작업이 시작됩니다. GPU 선택이 필요하거나, 이 모델에서 사용할 수 없거나, 이미 내보내기가 존재하는 형식은 건너뛰고 목록으로 표시됩니다.
• 모든 내보내기 삭제: Delete All을 클릭하면 모델의 모든 내보내기가 삭제됩니다.

형식 제한#

일부 내보내기 형식에는 아키텍처 또는 작업 제한이 있습니다.

프로젝트 간 모델 이동#

복사하지 않고 편집 가능한 모델을 동일 워크스페이스의 다른 프로젝트로 이동합니다:

1. 소스 프로젝트를 열고 모델 목록에서 하나 이상의 모델을 선택합니다.
2. 마우스 우클릭 후 잘라내기(Cmd/Ctrl+X)를 선택합니다.
3. 대상 프로젝트를 열고 모델 목록을 마우스 우클릭한 후 붙여넣기(Cmd/Ctrl+V)를 선택하거나, 사이드바에서 선택한 모델을 대상 프로젝트로 드래그합니다.

이동된 모델은 가중치, 지표, 내보내기, 배포 상태를 유지하며 대상 프로젝트의 URL을 갖습니다. 대상 프로젝트에서 이미 사용 중인 URL 이름을 가진 모델은 도착 시 이름이 변경되며, 여전히 학습 중인 모델은 이동할 수 없고 Esc은 대기 중인 잘라내기를 취소합니다. 소유하지 않은 모델을 자신의 프로젝트 중 하나로 복사하려면 모델 복제를 사용하세요.

모델 복제#

모델을 다른 프로젝트로 복제합니다.

1. 모델 페이지를 엽니다.
2. 모델 복제를 클릭합니다.
3. 대상 프로젝트를 선택하거나 새 프로젝트를 선택하여 현재 화면에서 프로젝트를 생성합니다.
4. 선택적으로 복제본에 다른 이름을 지정합니다.
5. 모델 복제를 클릭합니다.

모델과 해당 가중치가 대상 프로젝트에 복사됩니다. 이미 소유하지 않은 가중치를 가진 완료된 모델에 모델 복제가 표시됩니다.

모델 다운로드#

모델 가중치를 다운로드합니다.

1. 모델의 개요 탭으로 이동합니다.
2. 다운로드 버튼을 클릭합니다.
3. 모델의 기본 .pt 체크포인트가 자동으로 다운로드됩니다.

내보내기가 완료되면 내보내기 탭에서 내보낸 형식을 다운로드할 수 있습니다.

데이터셋 연결#

모델을 원본 데이터셋에 연결할 수 있습니다.

• 학습에 사용된 데이터셋을 확인합니다.
• 개요 탭에서 데이터셋 카드를 클릭하여 해당 데이터셋으로 이동합니다.
• 데이터 계보를 추적합니다.

ul:// URI 형식을 사용하여 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#

추가 작업을 열고 정보를 선택하여 다음 두 섹션을 검토합니다.

• Ultralytics 메타데이터: 모델 ID, 프로젝트, 원본 데이터셋, 작업, 상태 및 타임스탬프와 같은 읽기 전용 Platform 세부 정보입니다.
• 사용자 지정 메타데이터: 평가 컨텍스트, 릴리스 추적, 거버넌스 또는 기타 모델별 데이터를 위한 사용자의 JSON 객체입니다.

사용자 지정 메타데이터는 학습에서 관리하는 모델 정보, 환경 세부 정보 및 학습 인수와 별개입니다. Workspace 뷰어는 이를 확인할 수 있으며, 편집 권한이 있는 멤버는 객체를 교체할 수 있습니다. 직렬화된 메타데이터 객체는 500,000자로 제한되며, 각 최상위 키는 128자로 제한됩니다. 빈 객체({})를 저장하면 사용자 지정 메타데이터가 삭제됩니다.

공개 설정#

모델을 볼 수 있는 사용자를 제어합니다.

표시 여부는 프로젝트 수준에서 설정되므로 프로젝트의 모든 모델에 적용됩니다. 변경하려면 페이지 상단의 breadcrumb에서 프로젝트 이름 옆에 있는 표시 여부 배지(private 또는 public)를 클릭합니다. 비공개로 전환하면 즉시 적용됩니다. 공개로 전환하면 적용 전에 확인 대화 상자가 표시됩니다.

모델 삭제#

더 이상 필요하지 않은 모델을 삭제합니다.

1. 모델 헤더에서 추가 작업 메뉴를 열고 모델 삭제를 선택합니다.
2. 삭제를 확인합니다.

참고 항목#

• 추론: Predict 탭에서 브라우저로 모델을 테스트합니다.
• 엔드포인트: 전용 엔드포인트를 사용하여 모델을 프로덕션에 배포합니다.
• 클라우드 학습: 클라우드 GPU에서 학습 작업을 구성하고 실행합니다.
• 내보내기 형식: 20개 내보내기 형식에 대한 전체 가이드입니다.

FAQ#