YOLO11

YOLO11 모델 패밀리를 서버리스 클라우드 API를 통해 사용

YOLO11 객체 감지는 다음을 통해 Serverless Cloud API, COCO로 사전 학습되었으며 입력 크기는 640입니다. 자체 호스팅 배포는 다음을 참조하세요 Roboflow Inference.

코드 예시

이 예제는 Serverless Cloud API를 통해 추론을 실행하고, 응답을 다음으로 디코딩합니다 supervision, 그리고 주석이 달린 이미지를 디스크에 씁니다.

1

API 키 받기

Roboflow 계정을 만들고, 다음에서 키를 찾으세요. Roboflow API 설정 페이지 에서 다음과 같이 셸에서 사용할 수 있도록 합니다:

export ROBOFLOW_API_KEY="your-key-here"

2

의존성 설치

이 두 패키지는 모델을 호출하고 결과를 그립니다:

pip install -U inference-sdk supervision

3

모델 실행

실행 yolov11n-640 샘플 이미지에서 실행하고 박스와 레이블을 주석 처리하세요:

import os
import cv2
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
image = sv.load_image_from_url(image_url)

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)

results = client.infer(image, model_id="yolov11n-640")
detections = sv.Detections.from_inference(results)

annotated = sv.BoxAnnotator().annotate(image.copy(), detections)
annotated = sv.LabelAnnotator().annotate(annotated, detections)

cv2.imwrite("traffic-annotated.png", annotated)

설정 api_url 를 배포 대상에 맞게:

• https://serverless.roboflow.com 서버리스 클라우드 API용입니다.

• http://localhost:9001 로컬 Inference 서버용.

• 당신의 전용 배포 비공개 엔드포인트용 URL.

사전 학습된 모델 및 벤치마크

이러한 별칭 중 하나를 다음으로 전달 model_id. 다음 inference-sdk 각 별칭을 사전 학습된 Roboflow Universe 모델로 연결합니다; yolo11* 접두사 변형은 동일한 모델로 연결됩니다.

별칭	입력 크기	mAP50-95	ONNX 지연 시간(ms)*	TensorRT FP16(ms)*
yolov11n-640	640x640	39.5	3.4	2.2
yolov11s-640	640x640	47.0	4.5	2.5
yolov11m-640	640x640	51.5	8.3	3.5
yolov11l-640	640x640	53.4	10.7	4.3
yolov11x-640	640x640	54.7	18.8	7.1

# YOLO11 인스턴스 분할

YOLO11 인스턴스 분할은 다음을 통해 실행됩니다: Serverless Cloud API, COCO로 사전 학습되었으며 입력 크기는 640입니다. 자체 호스팅 배포는 다음을 참조하세요 Roboflow Inference.

코드 예시

위에 표시된 대로 API 키를 설정하고 종속성을 설치한 다음 yolov11n-seg-640 을 실행하고 마스크와 레이블에 주석을 추가하세요:

import os
import cv2
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
image = sv.load_image_from_url(image_url)

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)

results = client.infer(image, model_id="yolov11n-seg-640")
detections = sv.Detections.from_inference(results)

annotated = sv.MaskAnnotator().annotate(image.copy(), detections)
annotated = sv.LabelAnnotator(text_position=sv.Position.CENTER_OF_MASS).annotate(annotated, detections)

cv2.imwrite("traffic-annotated.png", annotated)

사전 학습된 모델 및 벤치마크

이러한 별칭 중 하나를 다음으로 전달 model_id; yolo11* 접두사 변형은 동일한 모델로 연결됩니다.

별칭	입력 크기	Box mAP50-95	마스크 mAP50-95	ONNX 지연 시간(ms)*	TensorRT FP16(ms)*
yolov11n-seg-640	640x640	38.9	32.0	7.3	5.7
yolov11s-seg-640	640x640	46.6	37.8	10.0	7.5
yolov11m-seg-640	640x640	51.5	41.5	14.5	9.1
yolov11l-seg-640	640x640	53.4	42.9	16.8	9.7
yolov11x-seg-640	640x640	54.7	43.8	27.5	13.1

---

* 지연 시간은 다음을 사용해 측정됩니다 Roboflow Inference 1x NVIDIA L4에서, 배치 크기 1, 추론 1,000회 평균(100회 워밍업) 기준입니다. 기본 inference-gpu 설치에서는 ONNX를 CUDA 실행 공급자에서 실행합니다. 다음을 추가하면 inference-models[trt10] extra는 사전 빌드된 TensorRT FP16 엔진을 자동으로 선택합니다. FP16은 COCO val2017. 정확도는 공개된 COCO val2017 사양 (출처).