> 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/yolo26.md).

# YOLO26

## YOLO26 객체 감지

YOLO26 객체 감지는 다음을 통해 실행됩니다 [서버리스 클라우드 API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api), COCO로 사전 학습되었습니다. 자체 호스팅 배포는 다음을 참조하세요 [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### YOLO26 객체 감지 API

이 샘플은 테스트 이미지를 다운로드하고 다음을 통해 추론을 실행합니다 `inference-sdk`, 다음으로 응답을 디코딩하고 `supervision`, 그리고 주석이 달린 PNG를 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**

SDK와 다음을 설치하세요 [supervision](https://supervision.roboflow.com/) 주석 처리를 위한 라이브러리:

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

{% endstep %}

{% step %}
**모델을 실행합니다**

실행 `yolo26n-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"))
result = client.infer(image, model_id="yolo26n-640")
detections = sv.Detections.from_inference(result)

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-7106afec80c52f50d4100974682e469b4b7335f3%2Fyolo26-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 %}

### YOLO26 객체 감지 모델 및 벤치마크

다음 별칭 중 하나를 다음의 값으로 전달하세요. `model_id`. 이 `inference-sdk` 각 별칭을 클라이언트 측에서 해당 사전 학습된 Roboflow Universe 모델로 해석합니다; the `yolov26*` 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>yolo26n-640</code></td><td>640x640</td><td>40.9</td><td>3.5</td><td>2.2</td></tr><tr><td><code>yolo26s-640</code></td><td>640x640</td><td>48.6</td><td>4.7</td><td>3.0</td></tr><tr><td><code>yolo26m-640</code></td><td>640x640</td><td>53.1</td><td>8.4</td><td>4.4</td></tr><tr><td><code>yolo26l-640</code></td><td>640x640</td><td>55.0</td><td>10.7</td><td>5.6</td></tr><tr><td><code>yolo26x-640</code></td><td>640x640</td><td>57.5</td><td>18.4</td><td>8.0</td></tr></tbody></table>

## YOLO26 인스턴스 세분화

YOLO26 인스턴스 세분화는 다음을 통해 실행됩니다 [서버리스 클라우드 API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api), COCO로 사전 학습되었습니다. 자체 호스팅 배포는 다음을 참조하세요 [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### YOLO26 인스턴스 세분화 API

위에 표시된 대로 API 키를 설정하고 종속성을 설치한 다음, `yolo26n-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"],
)
result = client.infer(image, model_id="yolo26n-seg-640")
detections = sv.Detections.from_inference(result)

annotated = sv.MaskAnnotator().annotate(image.copy(), detections)
annotated = sv.BoxAnnotator().annotate(annotated, 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-77cb4f6d6a5fce94b8e37a2efeff403a28deef2d%2Fyolo26-segmentation.webp?alt=media" alt=""><figcaption></figcaption></figure>

### YOLO26 인스턴스 세분화 모델 및 벤치마크

다음 별칭 중 하나를 다음의 값으로 전달하세요. `model_id`; the `yolov26*` 접두사 변형은 동일한 모델로 해석됩니다. Box 및 마스크 mAP는 엔드투엔드(NMS 없음) COCO `검증` 값입니다.

<table data-search="false"><thead><tr><th>별칭</th><th>입력 크기</th><th>Box 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>yolo26n-seg-640</code></td><td>640x640</td><td>39.6</td><td>33.9</td><td>8.3</td><td>6.8</td></tr><tr><td><code>yolo26s-seg-640</code></td><td>640x640</td><td>47.3</td><td>40.0</td><td>10.8</td><td>8.5</td></tr><tr><td><code>yolo26m-seg-640</code></td><td>640x640</td><td>52.5</td><td>44.1</td><td>16.4</td><td>11.9</td></tr><tr><td><code>yolo26l-seg-640</code></td><td>640x640</td><td>54.4</td><td>45.5</td><td>18.4</td><td>12.8</td></tr><tr><td><code>yolo26x-seg-640</code></td><td>640x640</td><td>56.5</td><td>47.0</td><td>28.9</td><td>15.7</td></tr></tbody></table>

## YOLO26 키포인트 감지

YOLO26 키포인트/포즈 감지는 다음을 통해 실행됩니다 [서버리스 클라우드 API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api), COCO로 사전 학습되었습니다. 자체 호스팅 배포는 다음을 참조하세요 [Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted).

### YOLO26 키포인트 감지 API

위에 표시된 대로 API 키를 설정하고 종속성을 설치한 다음, `yolo26n-pose-640` 을 실행하고 키포인트에 주석을 추가하세요:

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

image_url = "https://media.roboflow.com/notebooks/examples/person-walking.png"
image = sv.load_image_from_url(image_url)

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)
result = client.infer(image, model_id="yolo26n-pose-640")
key_points = sv.KeyPoints.from_inference(result)

annotated = sv.VertexAnnotator(color=sv.Color.RED, radius=5).annotate(image.copy(), key_points)
cv2.imwrite("person-walking-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-c9409bba14d1a7699fb4d8043c243232fac5b917%2Fyolo26-keypoint.webp?alt=media" alt=""><figcaption></figcaption></figure>

### YOLO26 키포인트 감지 모델 및 벤치마크

다음 별칭 중 하나를 다음의 값으로 전달하세요. `model_id`; the `yolov26*` 접두사 변형은 동일한 모델로 해석됩니다. mAP는 엔드투엔드(NMS 없음) COCO `검증` 값입니다.

<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>yolo26n-pose-640</code></td><td>640x640</td><td>57.2</td><td>3.8</td><td>2.3</td></tr><tr><td><code>yolo26s-pose-640</code></td><td>640x640</td><td>63.0</td><td>5.1</td><td>3.3</td></tr><tr><td><code>yolo26m-pose-640</code></td><td>640x640</td><td>68.8</td><td>9.0</td><td>4.6</td></tr><tr><td><code>yolo26l-pose-640</code></td><td>640x640</td><td>70.4</td><td>11.2</td><td>5.8</td></tr><tr><td><code>yolo26x-pose-640</code></td><td>640x640</td><td>71.6</td><td>19.1</td><td>8.3</td></tr></tbody></table>

## YOLO26 의미론적 세분화

YOLO26 의미론적 세분화 (`yolo26-sem`)은 Roboflow에서 의미론적 세분화를 위한 권장 아키텍처입니다. Cityscapes 사전 학습 가중치를 사용하며 기본 해상도 1024x1024에서 학습됩니다. n, s, m, l, x의 다섯 가지 크기로 제공됩니다.

YOLO26-SEM 모델을 학습하려면 의미론적 세분화 프로젝트를 만들고 아키텍처로 YOLO26을 선택하세요. 또한 [사용자 지정으로 학습한 가중치를 업로드할 수 있습니다](https://docs.roboflow.com/models/ko/model-weights/upload-custom-weights.md) YOLO26-SEM 모델용으로.

Cityscapes 사전 학습 모델(19개 클래스)도 공개 모델로 제공되며, 다음에서 실행할 수 있습니다 [워크플로](https://docs.roboflow.com/workflows) 학습 없이.

### YOLO26 의미론적 세분화 모델 및 벤치마크

이 Cityscapes 사전 학습 별칭들 중 아무거나 다음의 값으로 전달하세요 `model_id`; the `yolov26*` 접두사 변형은 동일한 모델로 해석됩니다. ONNX 백엔드에서만 실행되며, 사전 빌드된 TensorRT 엔진은 게시되지 않습니다.

<table data-search="false"><thead><tr><th>별칭</th><th>입력 크기</th><th>ONNX 지연 시간(ms)*</th></tr></thead><tbody><tr><td><code>yolo26n-sem-1024</code></td><td>1024x1024</td><td>23.3</td></tr><tr><td><code>yolo26s-sem-1024</code></td><td>1024x1024</td><td>25.9</td></tr><tr><td><code>yolo26m-sem-1024</code></td><td>1024x1024</td><td>34.6</td></tr><tr><td><code>yolo26l-sem-1024</code></td><td>1024x1024</td><td>35.8</td></tr><tr><td><code>yolo26x-sem-1024</code></td><td>1024x1024</td><td>53.2</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 `검증` 사양 ([소스](https://docs.ultralytics.com/models/yolo26/)).

## 커스텀 가중치 업로드

Roboflow 외부에서 학습한 YOLO26 모델을 실행하려면, 다음이 있는 Project에 해당 가중치를 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 yolo26n -m ./runs/detect/train
```

설정 `-t` 모델의 크기와 작업에 맞게(예: `yolo26s-seg`, `yolo26m-pose`, `yolo26n-sem`). 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

YOLO26은 AGPL-3.0 라이선스로 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.
