Models#

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

모델 업로드#

기존 모델 가중치를 플랫폼에 업로드하십시오:

1. 프로젝트로 이동
2. 프로젝트 페이지나 모델 사이드바에 .pt 파일을 드래그 앤 드롭하거나 Upload models 아이콘을 클릭하세요.
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, depth, classify, pose, OBB)
• 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 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 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 위 헤더에는 모델 색상(편집 가능), 이름(클릭하여 이름 변경), 태스크 배지, 체크포인트의 ultralytics 버전, 그리고 license 선택기가 표시됩니다. 수행할 수 있는 작업으로는 모델 복제(아직 소유하지 않은 가중치가 있는 완료된 모델의 경우), 다운로드, 즐겨찾기, 공유(공개 모델), 그리고 정보, 새로 고침, 모델 삭제가 포함된 추가 작업 메뉴가 있습니다.

바로 아래에는 각 태스크 메트릭별로 학습 진행 상황을 보여주는 스파크라인 위의 최종 값을 나타내는 카드 한 장(차트로 이동하려면 카드를 클릭하세요)과 모델이 학습된 데이터셋을 연결하는 카드가 나란히 표시됩니다.

개요 탭#

실행 정보 카드는 상태, 시작 시간, 런타임, GPU 및 시간당 요금에 따른 연산 비용, ultralytics 버전, 호스트 세부 정보(호스트 이름, 환경, OS, Python, CPU, GPU), 상위 모델, 고정된 데이터셋 버전, 실행 시 보고된 Git 저장소, 브랜치 및 커밋, 그리고 복사하여 사용할 수 있는 재현 가능한 yolo train 명령어를 기록합니다.

실행이 활성화되어 있는 동안 카드는 에포크 카운터, 진행률 표시줄, 경과 시간, 예상 완료 시간(ETA), 누적 비용 등의 라이브 진행 상황과 취소 버튼을 표시합니다. 실행이 실패하면 오류 배너가 나타나며 캡처된 오류와 전체 콘솔 로그 보기 및 학습 재시도 작업이 표시됩니다.

그 아래의 학습 설정에는 사용된 모든 하이퍼파라미터가 나열되고, 성능 메트릭에는 최종 평가 결과가 나열됩니다. 두 테이블 모두 검색이 가능하며 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 메트릭 차트로, 실행에서 검증 아티팩트가 생성된 경우 학습 및 검증 뷰로 나뉩니다. 차트 그룹은 실행이 보고한 메트릭을 따릅니다:

각 그룹은 접을 수 있고, 메뉴를 통해 개별 차트(손실의 경우 학습 또는 검증 시리즈)를 숨기거나 표시할 수 있으며, 세션 간에 유지되는 레이아웃으로 차트를 드래그하여 크기를 조절할 수 있습니다.

콘솔 하위 탭#

학습 과정의 실시간 콘솔 출력:

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

시스템 하위 탭#

학습 인스턴스를 요약하는 호스트 카드(호스트 이름, CPU, GPU, RAM 및 디스크 총 용량, 마지막 확인 시간)와 그 뒤를 이어 에포크별 차트가 표시됩니다:

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

예측 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, depth, classify, pose, OBB)

내보내기 탭#

모델을 20가지 배포 형식으로 내보냅니다. 자세한 내용은 아래의 Export Model 및 핵심 Export mode guide를 참조하세요.

배포 탭#

전용 추론 엔드포인트를 생성하고 관리합니다. 자세한 내용은 Deployments를 참조하세요.

검증 플롯#

학습이 완료된 후, 차트 하위 탭 내의 검증 뷰에는 최종 에포크에 대한 상세한 분석이 표시됩니다.

혼동 행렬 (Confusion Matrix)#

클래스별 예측 정확도를 보여주는 대화형 히트맵:

PR/F1 곡선#

학습 실행에서 제공하는 경우, 검증 뷰에는 다양한 신뢰도 임계값에서의 성능 곡선도 함께 표시됩니다. 사용 가능한 검증 플롯은 실행에 의해 생성된 아티팩트에 따라 다릅니다.

이미지별 진단#

saved dataset version을 사용하여 학습된 탐지 모델은 이미지별 검증 분석도 제공하므로, 실망스러운 점수의 원인이 되는 데이터를 파악할 수 있습니다:

• 가장 성능이 좋지 않고 우수한 이미지, 이미지별 F1 기준으로 순위가 매겨지며 정답(ground-truth) 상자와 함께 그려짐
• 특성 탐색기, 이미지 너비, 높이, 픽셀 수, 종횡비, 인스턴스 수와 F1 간의 상관관계를 분석하며 가장 강한 관계가 기본으로 선택됨
• 실패와 연관된 클래스, 성능이 가장 낮은 이미지에 가장 자주 등장하는 클래스의 순위를 매김

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 20가지 배포 포맷으로 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 시작을 클릭하세요
6. 완료되면 다운로드합니다

내보내기가 준비되었거나 실패했을 때 메시지를 받으려면 Slack alerts를 연결하세요.

지원되는 형식#

플랫폼은 20가지 배포 형식으로의 내보내기를 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.

형식 선택 가이드#

NVIDIA Jetson TensorRT 대상#

Ultralytics Platform은 TensorRT .engine 내보내기를 위해 다음과 같은 Jetson 타겟 선택지를 제공합니다. 2026년 7월 기준으로 Jetson TensorRT 내보내기는 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 사용하여 빌드됩니다.

해당 시간은 2026년 7월에 수행된 단일 관측 엔드투엔드 프로덕션 라우팅 테스트 결과이며, 가장 가까운 초 단위로 반올림되었습니다. 이는 참조 측정값일 뿐 SLA나 SKU별 성능 벤치마크가 아닙니다. 두 가지 Thor 선택 항목은 모두 NVIDIA의 T4000 호환성 프로필을 사용하는 T5000 Developer Kit에서 빌드되었습니다. 6개의 Orin 경로는 AGX Orin 64GB에서 빌드되었으며, 각 엔진이 로드되고 실행되었습니다.

RKNN 칩 지원#

RKNN 형식으로 내보낼 때, 대상 Rockchip 장치를 선택하십시오:

내보내기 작업 수명 주기#

내보내기 작업은 다음 상태를 거쳐 진행됩니다:

대량 내보내기 작업#

• 모두 내보내기: 기본 설정으로 모든 CPU 기반 형식에 대한 내보내기 작업을 시작하려면 Export All을 클릭하세요. GPU 선택이 필요하거나, 이 모델에서 사용할 수 없거나, 이미 내보내기가 완료된 형식은 건너뛰고 목록에 표시됩니다.
• Delete All Exports: 모델의 모든 내보내기를 제거하려면 Delete All을 클릭하세요.

형식 제한 사항#

일부 내보내기 형식에는 아키텍처 또는 작업 제한이 있습니다:

모델 복제#

모델을 다른 프로젝트로 복제하기:

1. 모델 페이지를 엽니다
2. 모델 복제를 클릭하세요
3. 대상 프로젝트를 선택하거나 인라인으로 생성하려면 새 프로젝트를 선택하세요.
4. 선택 사항으로 복제본에 다른 이름을 지정하세요.
5. 모델 복제를 클릭하세요

모델과 그 가중치가 대상 프로젝트로 복사됩니다. 모델 복제는 아직 소유하지 않은 가중치가 있는 완료된 모델에 표시됩니다.

모델 다운로드#

모델 가중치 다운로드하기:

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

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

데이터셋 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 format을 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

사용자 정의 메타데이터#

추가 작업을 열고 정보를 선택하여 다음 두 가지 섹션을 검토합니다:

• Ultralytics Metadata: 모델 ID, 프로젝트, 소스 데이터셋, 태스크, 상태 및 타임스탬프와 같은 읽기 전용 플랫폼 세부 정보
• Custom Metadata: 평가 컨텍스트, 릴리스 추적, 거버넌스 또는 기타 모델별 데이터를 위한 사용자 고유의 JSON 객체

사용자 정의 메타데이터는 학습 소유 모델 정보, 환경 세부 정보 및 학습 인자와는 별개입니다. 워크스페이스 뷰어는 이를 검사할 수 있으며, 편집 권한이 있는 멤버는 객체를 교체할 수 있습니다. 직렬화된 메타데이터 객체는 500,000자로 제한되며, 각 최상위 키는 128자로 제한됩니다. 사용자 정의 메타데이터를 지우려면 빈 객체({})를 저장하세요.

가시성 설정#

모델을 볼 수 있는 사용자 제어:

가시성은 프로젝트 수준에서 설정되므로 프로젝트의 모든 모델을 제어합니다. 이를 변경하려면 페이지 상단의 이동 경로(breadcrumb)에서 프로젝트 이름 옆에 있는 가시성 배지(private 또는 public)를 클릭하세요. 비공개로 전환하면 즉시 적용됩니다. 공개로 전환하면 적용하기 전에 확인 대화 상자가 표시됩니다.

모델 삭제#

더 이상 필요하지 않은 모델 제거:

1. 모델 헤더에서 추가 작업 메뉴를 열고 모델 삭제를 선택하세요.
2. 삭제 확인

참고 항목#

• Inference: Predict 탭을 사용하여 브라우저에서 모델 테스트
• Endpoints: 전용 엔드포인트로 모델을 프로덕션에 배포
• Cloud Training: 클라우드 GPU에서 학습 작업 구성 및 실행
• Export Formats: 20가지 내보내기 형식에 대한 전체 가이드

FAQ#