YOLO26 객체 감지

YOLO26 모델 패밀리를 Serverless Cloud API를 통해 사용하세요.

YOLO26 객체 감지

YOLO26 객체 감지는 다음을 통해 실행됩니다 Serverless Cloud API, COCO로 사전 학습되었습니다. 자체 호스팅 배포는 다음을 참조하세요 Roboflow Inference.

코드 예시

이 샘플은 테스트 이미지를 다운로드하고, 다음을 통해 추론을 실행합니다 inference-sdk, 응답을 다음으로 디코딩하고 supervision, 주석이 추가된 PNG를 디스크에 기록합니다.

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

SDK와 다음을 설치하세요 supervision 주석용 라이브러리:

pip install -U inference-sdk supervision opencv-python

3

모델 실행

실행 yolo26n-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"],
)
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)

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 모델에 클라이언트 측에서 연결합니다; yolov26* 접두사 변형은 동일한 모델로 연결됩니다.

별칭	입력 크기	mAP50-95	ONNX 지연 시간(ms)*	TensorRT FP16(ms)*
yolo26n-640	640x640	40.9	3.5	2.2
yolo26s-640	640x640	48.6	4.7	3.0
yolo26m-640	640x640	53.1	8.4	4.4
yolo26l-640	640x640	55.0	10.7	5.6
yolo26x-640	640x640	57.5	18.4	8.0

YOLO26 인스턴스 세그멘테이션

YOLO26 인스턴스 세그멘테이션은 다음을 통해 실행됩니다 Serverless Cloud API, COCO로 사전 학습되었습니다. 자체 호스팅 배포는 다음을 참조하세요 Roboflow Inference.

코드 예시

위에 표시된 대로 API 키를 설정하고 종속성을 설치한 다음 yolo26n-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"],
)
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)

사전 학습된 모델 및 벤치마크

이러한 별칭 중 하나를 다음으로 전달 model_id; yolov26* 접두사 변형은 동일한 모델로 연결됩니다. Box 및 mask mAP는 end-to-end(NMS-free) COCO 검증 값입니다.

별칭	입력 크기	Box mAP50-95	마스크 mAP50-95	ONNX 지연 시간(ms)*	TensorRT FP16(ms)*
yolo26n-seg-640	640x640	39.6	33.9	8.3	6.8
yolo26s-seg-640	640x640	47.3	40.0	10.8	8.5
yolo26m-seg-640	640x640	52.5	44.1	16.4	11.9
yolo26l-seg-640	640x640	54.4	45.5	18.4	12.8
yolo26x-seg-640	640x640	56.5	47.0	28.9	15.7

YOLO26 키포인트 감지

YOLO26 키포인트/포즈 감지는 다음을 통해 실행됩니다 Serverless Cloud API, COCO로 사전 학습되었습니다. 자체 호스팅 배포는 다음을 참조하세요 Roboflow Inference.

코드 예시

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

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)

사전 학습된 모델 및 벤치마크

이러한 별칭 중 하나를 다음으로 전달 model_id; yolov26* 접두사 변형은 동일한 모델로 연결됩니다. mAP는 end-to-end(NMS-free) COCO 검증 값입니다.

별칭	입력 크기	mAP50-95	ONNX 지연 시간(ms)*	TensorRT FP16(ms)*
yolo26n-pose-640	640x640	57.2	3.8	2.3
yolo26s-pose-640	640x640	63.0	5.1	3.3
yolo26m-pose-640	640x640	68.8	9.0	4.6
yolo26l-pose-640	640x640	70.4	11.2	5.8
yolo26x-pose-640	640x640	71.6	19.1	8.3

YOLO26 시맨틱 세그멘테이션

YOLO26 시맨틱 세그멘테이션(yolo26-sem)은 Roboflow에서 시맨틱 세그멘테이션에 권장되는 아키텍처입니다. Cityscapes로 사전 학습된 가중치를 사용하며 기본 해상도 1024x1024로 학습합니다. n, s, m, l, x의 다섯 가지 크기로 제공됩니다.

YOLO26-SEM 모델을 학습하려면 시맨틱 세그멘테이션 프로젝트를 만들고 아키텍처로 YOLO26를 선택하세요. 또한 사용자 지정으로 학습한 가중치를 업로드할 수 있습니다 YOLO26-SEM 모델용으로.

Cityscapes로 사전 학습된 모델(19개 클래스)도 학습 없이 워크플로 실행할 수 있는 공개 모델로 제공됩니다.

사전 학습된 모델 및 벤치마크

이러한 Cityscapes 사전 학습 별칭 중 하나를 다음의 인수로 전달하세요 model_id; yolov26* 접두사 변형은 동일한 모델로 연결됩니다. 이 모델은 ONNX 백엔드에서만 실행되며, 사전 빌드된 TensorRT 엔진은 제공되지 않습니다.

별칭	입력 크기	ONNX 지연 시간(ms)*
yolo26n-sem-1024	1024x1024	23.3
yolo26s-sem-1024	1024x1024	25.9
yolo26m-sem-1024	1024x1024	34.6
yolo26l-sem-1024	1024x1024	35.8
yolo26x-sem-1024	1024x1024	53.2

---

* 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 검증 사양 (출처).