YOLOlite

YOLOlite 모델 패밀리를 Serverless Cloud API를 통해 사용하세요.

YOLOlite는 Roboflow의 경량 객체 탐지 모델 패밀리로, 낮은 지연 시간 배포와 엣지 하드웨어를 위해 설계되었습니다. YOLOlite를 다음에서 학습할 수 있습니다. 프로젝트 Roboflow에서 그리고 우리의 Serverless Cloud API.

자체 호스팅 배포의 경우 다음을 참조하세요 Roboflow Inference.

YOLOlite 입력 크기는 Roboflow에서 학습하는 동안 구성됩니다.

사용 가능한 변형

YOLOlite는 표준 세트와 엣지 최적화 세트라는 두 가지 스케일링 패밀리로 제공됩니다. 각각은 다섯 가지 크기로 제공됩니다.

패밀리	변형
Standard	yololite-n, yololite-s, yololite-m, yololite-l, yololite-xl
엣지	yololite-edge-n, yololite-edge-s, yololite-edge-m, yololite-edge-l, yololite-edge-xl

프로젝트에서 학습을 시작할 때 변형을 선택합니다. 그런 다음 학습된 모델은 서버리스 클라우드 API에서 제공되며, 여기서 모델별 {workspace}/{model-slug} ID를 사용하세요(참조: 버전, 학습, 및 모델).

코드 예시

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

다음을 설치하세요 Inference SDK 및 supervision:

pip install -U inference-sdk supervision

3

모델 실행

이 예제는 다음에서 학습된 공개 YOLOlite 모델을 실행합니다. 나사 데이터셋 (screw, flat-washer, hex-nut). 자체의 {workspace}/{model-slug} 학습된 가중치를 실행합니다.

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

image = sv.load_image_from_url("https://media.roboflow.com/docs/bolts.jpg")

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)
results = client.infer(image, model_id="erik-pe6au/rf-bolts-4-yololite-s-t1")

detections = sv.Detections.from_inference(results)

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

cv2.imwrite("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.