> 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 객체 탐지

## YOLO26 객체 탐지

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

### 코드 샘플

이 샘플은 테스트 이미지를 다운로드하고 다음을 통해 추론을 실행합니다 `inference-sdk`, 다음을 사용해 응답을 디코딩하고 `supervision`, 주석이 달린 PNG를 디스크에 씁니다.

{% stepper %}
{% step %}
**API 키 받기**

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

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

{% endstep %}

{% step %}
**의존성 설치하기**

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

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

{% endstep %}

{% step %}
**모델 실행하기**

실행 `yolo26n-640` 를 샘플 이미지에서 실행하고 상자와 레이블을 주석 처리합니다:

```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-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="/files/09b407c58c211963240d6e132ff54153af789f91" alt=""><figcaption></figcaption></figure>
{% endstep %}
{% endstepper %}

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

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

### 사전 학습된 모델 및 벤치마크

이 별칭들 중 아무 것이나 다음으로 전달하세요 `model_id`. 또한 `inference-sdk` 각 별칭을 클라이언트 측에서 해당 사전 학습된 Roboflow Universe 모델에 매핑합니다.  `yolov26*` 접두사 변형은 동일한 모델에 연결됩니다.

<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 분할

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

### 코드 샘플

위에 표시된 대로 API 키를 설정하고 종속성을 설치한 다음 `yolo26n-seg-640` 및 마스크와 레이블을 주석 처리합니다:

```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="/files/b8feaa51099902bf86221acc7264f767faee59b2" alt=""><figcaption></figcaption></figure>

### 사전 학습된 모델 및 벤치마크

이 별칭들 중 아무 것이나 다음으로 전달하세요 `model_id`;  `yolov26*` 접두사 변형은 동일한 모델에 연결됩니다. 박스와 마스크 mAP는 엔드투엔드(NMS 없음) COCO  `val` 값입니다.

<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>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 탐지

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

### 코드 샘플

위에 표시된 대로 API 키를 설정하고 종속성을 설치한 다음 `yolo26n-pose-640` 및 키포인트를 주석 처리합니다:

```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="/files/acd52a12d6be6a2688c28b61e800a541c0e04132" alt=""><figcaption></figcaption></figure>

### 사전 학습된 모델 및 벤치마크

이 별칭들 중 아무 것이나 다음으로 전달하세요 `model_id`;  `yolov26*` 접두사 변형은 동일한 모델에 연결됩니다. mAP는 엔드투엔드(NMS 없음) COCO  `val` 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 분할

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

YOLO26-SEM 모델을 학습하려면 의미론적 분할 프로젝트를 만들고 아키텍처로 YOLO26을 선택하세요. 또한 [맞춤 학습된 가중치를 업로드할 수 있습니다](/models/ko/model-weights/upload-custom-weights.md) YOLO26-SEM 모델용으로.

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

### 사전 학습된 모델 및 벤치마크

이러한 Cityscapes 사전 학습 별칭 중 하나를 다음의 값으로 전달하세요 `model_id`;  `yolov26*` 접두사 변형은 동일한 모델에 연결됩니다. 이들은 ONNX 백엔드에서만 실행되며, 사전 구축된 TensorRT 엔진은 제공되지 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 다음을 사용해 측정됩니다 [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` 설치는 CUDA 실행 공급자에서 ONNX를 실행하며, 다음을 추가하면 `inference-models[trt10]` extra는 사전 빌드된 TensorRT FP16 엔진을 자동으로 선택합니다. FP16은 COCO  `val2017`. 정확도는 공개된 COCO `val` 사양([소스](https://docs.ultralytics.com/models/yolo26/)).