> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/models/ko/supported-models/yolo11.md).

# YOLO11

## YOLO11 객체 탐지 API

이 예제는 Serverless Cloud API를 통해 추론을 실행하고, 응답을 디코딩한 다음 [`supervision`](https://supervision.roboflow.com/), 그리고 주석이 달린 이미지를 디스크에 저장합니다.

{% stepper %}
{% step %}

#### API 키를 받으세요

Roboflow 계정을 만들고, 다음에서 키를 찾으세요 [Roboflow API 설정 페이지](https://app.roboflow.com/settings/api) 그리고 이를 셸에서 사용할 수 있게 하세요:

```bash
export ROBOFLOW_API_KEY="your-key-here"
```

{% endstep %}

{% step %}

#### 의존성을 설치합니다

이 두 패키지는 모델을 호출하고 그 결과를 그립니다:

```bash
pip install -U inference-sdk supervision
```

{% endstep %}

{% step %}

#### 모델을 실행합니다

실행 `yolov11n-640` 샘플 이미지에서 박스와 레이블을 주석 처리합니다:

```python
import os
import cv2
import supervision as sv
from inference_sdk import InferenceHTTPClient, InferenceConfiguration

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"],
).configure(InferenceConfiguration(api_key_transport="header"))

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)
```

<figure><img src="https://2225311784-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-3ca4d1ddb266c52f24973b0e78bb990b0ce72bb1%2Fyolo11-detection.webp?alt=media" alt=""><figcaption></figcaption></figure>
{% endstep %}
{% endstepper %}

{% hint style="info" %}
설정 `api_url` 을 배포 대상에 맞게 설정하세요:

* `https://serverless.roboflow.com` Serverless Cloud API용
* `http://localhost:9001` 로컬 [Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) 서버.
* 사용자의 [전용 배포](https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments) 비공개 엔드포인트용 URL입니다.
  {% endhint %}

## YOLO11 객체 탐지 모델 및 벤치마크

다음 별칭 중 하나를 다음의 값으로 전달하세요. `model_id`. 그 `inference-sdk` 각 별칭을 사전 학습된 Roboflow Universe 모델로 해석합니다; 그 `yolo11*` 접두사 변형은 동일한 모델로 해석됩니다.

<table data-search="false"><thead><tr><th>별칭</th><th>입력 크기</th><th>mAP50-95</th><th>ONNX 지연 시간(ms)*</th><th>TensorRT FP16(ms)*</th></tr></thead><tbody><tr><td><code>yolov11n-640</code></td><td>640x640</td><td>39.5</td><td>3.4</td><td>2.2</td></tr><tr><td><code>yolov11s-640</code></td><td>640x640</td><td>47.0</td><td>4.5</td><td>2.5</td></tr><tr><td><code>yolov11m-640</code></td><td>640x640</td><td>51.5</td><td>8.3</td><td>3.5</td></tr><tr><td><code>yolov11l-640</code></td><td>640x640</td><td>53.4</td><td>10.7</td><td>4.3</td></tr><tr><td><code>yolov11x-640</code></td><td>640x640</td><td>54.7</td><td>18.8</td><td>7.1</td></tr></tbody></table>

\# YOLO11 인스턴스 분할

YOLO11 인스턴스 분할은 다음을 통해 실행됩니다 [서버리스 클라우드 API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api), COCO로 사전 학습되었으며 입력 크기는 640입니다. 자체 호스팅 배포는 다음을 참조하세요 [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

## YOLO11 인스턴스 분할 API

위에 표시된 대로 API 키를 설정하고 종속성을 설치한 다음, `yolov11n-seg-640` 그리고 마스크와 레이블에 주석을 추가합니다:

```python
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)
```

<figure><img src="https://2225311784-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-26ea00e0738033eab740a2078fd53360ff94bfa2%2Fyolo11-segmentation.webp?alt=media" alt=""><figcaption></figcaption></figure>

## YOLO11 인스턴스 분할 모델 및 벤치마크

다음 별칭 중 하나를 다음의 값으로 전달하세요. `model_id`; 그 `yolo11*` 접두사 변형은 동일한 모델로 해석됩니다.

<table data-search="false"><thead><tr><th>별칭</th><th>입력 크기</th><th>박스 mAP50-95</th><th>마스크 mAP50-95</th><th>ONNX 지연 시간(ms)*</th><th>TensorRT FP16(ms)*</th></tr></thead><tbody><tr><td><code>yolov11n-seg-640</code></td><td>640x640</td><td>38.9</td><td>32.0</td><td>7.3</td><td>5.7</td></tr><tr><td><code>yolov11s-seg-640</code></td><td>640x640</td><td>46.6</td><td>37.8</td><td>10.0</td><td>7.5</td></tr><tr><td><code>yolov11m-seg-640</code></td><td>640x640</td><td>51.5</td><td>41.5</td><td>14.5</td><td>9.1</td></tr><tr><td><code>yolov11l-seg-640</code></td><td>640x640</td><td>53.4</td><td>42.9</td><td>16.8</td><td>9.7</td></tr><tr><td><code>yolov11x-seg-640</code></td><td>640x640</td><td>54.7</td><td>43.8</td><td>27.5</td><td>13.1</td></tr></tbody></table>

***

\* 지연 시간은 다음으로 측정되었습니다. [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) 1x NVIDIA L4에서 배치 크기 1, 1,000회 추론의 평균(100회 워밍업). 기본 `inference-gpu` 설치 시 CUDA 실행 공급자에서 ONNX가 실행됩니다. 다음을 추가하면 `inference-models[trt10]` extra는 사전 빌드된 TensorRT FP16 엔진을 자동으로 선택합니다. FP16은 COCO에서 FP32 정확도와 0.1 mAP 이내로 일치합니다 `val2017`. 정확도는 공개된 COCO `val2017` 사양 ([소스](https://docs.ultralytics.com/models/yolo11/)).

## 커스텀 가중치 업로드

Roboflow 외부에서 학습한 YOLO11 모델을 실행하려면, 해당 가중치를 다음이 있는 Project에 업로드하세요 [Roboflow CLI](https://docs.roboflow.com/reference/platform/cli/install-and-set-up-the-cli):

```bash
roboflow upload_model -p my-project -v 1 -t yolov11n -m ./runs/detect/train
```

설정 `-t` 모델의 크기와 작업에 맞게(예: `yolov11s-seg`, `yolov11m-pose`). 다음을 참조하세요: [커스텀 가중치 업로드](https://docs.roboflow.com/models/ko/model-weights/upload-custom-weights.md) Python SDK와 학습 버전 요구 사항은 다음을 참조하세요.

## 라이선스

YOLO11은 AGPL-3.0으로 배포됩니다. 상업적 사용에 대한 의미는 다음과 같습니다:

* **Roboflow 클라우드에서는:** 무료 요금제를 포함한 모든 사용자에게 상업용 라이선스가 포함됩니다.
* **자가 호스팅:** Enterprise 라이선스 애드온이 필요하며, 그렇지 않으면 애플리케이션을 AGPL-3.0으로 오픈 소스로 공개해야 합니다.
* **보다 자유로운 대안:** [RF-DETR](https://docs.roboflow.com/models/ko/supported-models/rf-detr.md) 은 Apache 2.0이며, 어디서나 상업적 용도로 무료로 사용할 수 있습니다.

다음을 참조하세요: [Roboflow의 Ultralytics 라이선스](https://roboflow.com/ultralytics) 자세한 내용은.
