YOLO11

Serverless Hosted API를 통해 YOLO11 model family를 사용합니다.

YOLO11 객체 감지는 다음을 통해 실행됩니다 Serverless Hosted API, COCO에서 640 입력 크기로 사전 학습되었습니다. 자체 호스팅 배포에 대해서는 다음을 참조하세요 Roboflow Inference.

코드 샘플

이 샘플은 Serverless Hosted API를 통해 추론을 실행하고, 응답을 다음으로 디코딩합니다 supervision, 그리고 주석이 달린 이미지를 디스크에 씁니다.

1

API Key를 받으세요

Roboflow 계정을 만들고, 다음에서 키를 찾으세요: Roboflow API 설정 페이지 그리고 이를 셸에서 사용할 수 있도록 설정하세요:

export ROBOFLOW_API_KEY="your-key-here"

2

종속성을 설치하세요

이 두 패키지는 모델을 호출하고 결과를 그립니다:

pip install inference-sdk supervision

3

모델을 실행하세요

실행 yolov11n-640 샘플 이미지에 대해 실행하고 박스와 레이블을 주석 처리합니다:

import os
import cv2
import numpy as np
import requests
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
content = requests.get(image_url).content
image = cv2.imdecode(np.frombuffer(content, np.uint8), cv2.IMREAD_COLOR)

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key=os.environ["ROBOFLOW_API_KEY"],
)

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)

설정 api_url 을 배포 대상에 맞게 설정하세요:

• https://serverless.roboflow.com Serverless Hosted API용입니다.

• http://localhost:9001 로컬 Inference 서버용입니다.

• 귀하의 Dedicated Deployment 비공개 엔드포인트용 URL입니다.

사전 학습된 모델 및 벤치마크

이 별칭들 중 아무거나 다음으로 전달하세요: model_id. 이 inference-sdk 각 별칭을 사전 학습된 Roboflow Universe 모델로 매핑합니다; 그 yolo11* 접두사 변형은 동일한 모델로 해석됩니다.

별칭	입력 크기	mAP50-95	ONNX 지연 시간(ms)*	TensorRT FP16(ms)*
yolov11n-640	640x640	39.5	3.4	2.2
yolov11s-640	640x640	47.0	4.5	2.5
yolov11m-640	640x640	51.5	8.3	3.5
yolov11l-640	640x640	53.4	10.7	4.3
yolov11x-640	640x640	54.7	18.8	7.1

# YOLO11 인스턴스 세분화

YOLO11 인스턴스 세분화는 다음을 통해 실행됩니다 Serverless Hosted API, COCO에서 640 입력 크기로 사전 학습되었습니다. 자체 호스팅 배포에 대해서는 다음을 참조하세요 Roboflow Inference.

코드 샘플

API 키를 설정하고 위와 같이 종속성을 설치한 다음, 실행하세요 yolov11n-seg-640 그리고 마스크와 레이블을 어노테이션합니다:

import os
import cv2
import numpy as np
import requests
import supervision as sv
from inference_sdk import InferenceHTTPClient

image_url = "https://media.roboflow.com/quickstart/traffic.jpg"
content = requests.get(image_url).content
image = cv2.imdecode(np.frombuffer(content, np.uint8), cv2.IMREAD_COLOR)

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)

사전 학습된 모델 및 벤치마크

이 별칭들 중 아무거나 다음으로 전달하세요: model_id; the yolo11* 접두사 변형은 동일한 모델로 해석됩니다.

별칭	입력 크기	Box mAP50-95	Mask mAP50-95	ONNX 지연 시간(ms)*	TensorRT FP16(ms)*
yolov11n-seg-640	640x640	38.9	32.0	7.3	5.7
yolov11s-seg-640	640x640	46.6	37.8	10.0	7.5
yolov11m-seg-640	640x640	51.5	41.5	14.5	9.1
yolov11l-seg-640	640x640	53.4	42.9	16.8	9.7
yolov11x-seg-640	640x640	54.7	43.8	27.5	13.1

---

* 지연 시간은 다음으로 측정됩니다: Roboflow Inference 1x NVIDIA L4에서, batch size 1, 1,000회 inference의 평균(100회 워밍업). 기본 inference-gpu install은 ONNX를 CUDA execution provider에서 실행합니다. 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 (출처).