For the complete documentation index, see llms.txt. This page is also available as Markdown.

YOLO26

Serverless Hosted API를 통해 YOLO26 model family를 사용합니다.

YOLO26 객체 탐지

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

코드 샘플

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

SDK와 다음을 설치하세요 supervision 어노테이션용 라이브러리:

pip install inference-sdk supervision opencv-python
3

모델을 실행하세요

실행 yolo26n-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"],
)
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 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 alias를 클라이언트 측에서 해당 사전 학습된 Roboflow Universe 모델로 해석합니다; the yolov26* 접두사 변형은 동일한 모델로 해석됩니다.

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 Hosted API, COCO로 사전 학습되었습니다. 자체 호스팅 배포는 다음을 참조하세요 Roboflow Inference.

코드 샘플

API 키를 설정하고 위와 같이 종속성을 설치한 다음, 실행하세요 yolo26n-seg-640 그리고 마스크와 레이블을 어노테이션합니다:

사전 학습된 모델 및 벤치마크

이 별칭들 중 아무거나 다음으로 전달하세요: model_id; the yolov26* 접두사 변형은 동일한 모델로 해석됩니다. Box와 mask mAP는 엔드투엔드(NMS 없는) COCO 검증 값입니다.

별칭
입력 크기
Box mAP50-95
Mask 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 탐지

YOLO26 keypoint/pose 탐지는 다음을 통해 실행됩니다 Serverless Hosted API, COCO로 사전 학습되었습니다. 자체 호스팅 배포는 다음을 참조하세요 Roboflow Inference.

코드 샘플

API 키를 설정하고 위와 같이 종속성을 설치한 다음, 실행하세요 yolo26n-pose-640 그리고 키포인트를 어노테이션합니다:

사전 학습된 모델 및 벤치마크

이 별칭들 중 아무거나 다음으로 전달하세요: model_id; the yolov26* 접두사 변형은 동일한 모델로 해석됩니다. mAP는 엔드투엔드(NMS 없는) 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. Cityscapes 사전 학습 가중치를 사용하며 기본 해상도 1024x1024로 학습됩니다. n, s, m, l, x의 다섯 가지 크기로 제공됩니다.

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

Cityscapes 사전 학습 모델(19개 클래스)도 다음에서 실행할 수 있는 공개 모델로 제공됩니다 Workflow 학습 없이.

사전 학습된 모델 및 벤치마크

이러한 Cityscapes 사전 학습 alias 중 하나를 다음의 값으로 전달하세요 model_id; the yolov26* 접두사 변형은 동일한 모델로 해석됩니다. 이들은 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 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 검증 사양 (출처).

마지막 업데이트

도움이 되었나요?