> 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/roboflow/roboflow-ko/deploy/supported-models/yololite.md).

# YOLOLite

YOLOlite는 Roboflow의 경량 객체 탐지 모델 제품군으로, 낮은 지연 시간 배포와 엣지 하드웨어를 위해 설계되었습니다. Roboflow에서 YOLOlite를 학습할 수 있습니다. [Project](/roboflow/roboflow-ko/workspaces/key-concepts.md) Roboflow에서 학습하고, 우리의 [Serverless Hosted API](/roboflow/roboflow-ko/deploy/serverless-hosted-api-v2.md).

자체 호스팅 배포는 다음을 참조하세요 [Roboflow Inference](https://inference.roboflow.com/).

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.

<table data-search="false"><thead><tr><th>제품군</th><th>변형</th></tr></thead><tbody><tr><td>표준</td><td><code>yololite-n</code>, <code>yololite-s</code>, <code>yololite-m</code>, <code>yololite-l</code>, <code>yololite-xl</code></td></tr><tr><td>Edge</td><td><code>yololite-edge-n</code>, <code>yololite-edge-s</code>, <code>yololite-edge-m</code>, <code>yololite-edge-l</code>, <code>yololite-edge-xl</code></td></tr></tbody></table>

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](/roboflow/roboflow-ko/train/versions-trainings-and-models.md)).

## 코드 샘플

{% stepper %}
{% step %}

### API Key를 받으세요

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

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

{% endstep %}

{% step %}

### 종속성을 설치하세요

다음을 설치하세요 [Inference SDK](https://inference.roboflow.com/inference_helpers/inference_sdk/) 및 [supervision](https://supervision.roboflow.com/):

```bash
pip install inference-sdk supervision
```

{% endstep %}

{% step %}

### 모델을 실행하세요

이 예제는 다음에서 학습된 공개 YOLOlite 모델을 실행합니다. 하나의 [나사 데이터셋](https://universe.roboflow.com/erik-pe6au/rf-bolts) (나사, 평 와셔, 육각 너트). 자신의 `{workspace}/{model-slug}` 학습한 가중치를 실행하려면.

```python
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)
```

<figure><img src="/files/26b2429bf87bb6bc7ff875b2e4b93528be893f5f" alt=""><figcaption></figcaption></figure>
{% endstep %}
{% endstepper %}

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

* `https://serverless.roboflow.com` Serverless Hosted API용입니다.
* `http://localhost:9001` 로컬 [Inference](https://inference.roboflow.com/) 서버용입니다.
* 귀하의 [Dedicated Deployment](/roboflow/roboflow-ko/deploy/dedicated-deployments.md) 비공개 엔드포인트용 URL입니다.
  {% endhint %}