YOLOLite

Serverless Hosted API를 통해 YOLOlite model family를 사용합니다.

YOLOlite는 Roboflow의 경량 객체 탐지 모델 제품군으로, 낮은 지연 시간 배포와 엣지 하드웨어를 위해 설계되었습니다. Roboflow에서 YOLOlite를 학습할 수 있습니다. Project Roboflow에서 학습하고, 우리의 Serverless Hosted API.

자체 호스팅 배포는 다음을 참조하세요 Roboflow Inference.

YOLOlite 입력 크기는 Roboflow에서 학습하는 동안 구성됩니다.

사용 가능한 변형

YOLOlite는 두 가지 스케일링 제품군으로 제공됩니다: 표준 세트와 엣지 최적화 세트. 각 제품군은 다섯 가지 크기로 제공됩니다.

제품군	변형
표준	yololite-n, yololite-s, yololite-m, yololite-l, yololite-xl
Edge	yololite-edge-n, yololite-edge-s, yololite-edge-m, yololite-edge-l, yololite-edge-xl

Project에서 학습을 시작할 때 변형을 선택합니다. 그러면 학습된 모델은 Serverless Hosted API에서 제공되며, 여기서 모델별 {workspace}/{model-slug} ID로 호출할 수 있습니다(참조 Versions, Trainings, and Models).

코드 샘플

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

다음을 설치하세요 Inference SDK 및 supervision:

pip install inference-sdk supervision

3

모델을 실행하세요

이 예제는 다음에서 학습된 공개 YOLOlite 모델을 실행합니다. 하나의 나사 데이터셋 (나사, 평 와셔, 육각 너트). 자신의 {workspace}/{model-slug} 학습한 가중치를 실행하려면.

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

content = requests.get("https://media.roboflow.com/docs/bolts.jpg").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="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 을 배포 대상에 맞게 설정하세요:

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

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

• 귀하의 Dedicated Deployment 비공개 엔드포인트용 URL입니다.