Custom Model Weight 업로드
Roboflow는 모델 배포를 위해 사용자 지정 학습 모델의 weight를 Roboflow project에 업로드할 수 있는 기능을 제공합니다.
관련 페이지:
Roboflow에서 모델을 학습하려면 다음을 참조하세요 모델 학습
모델 weights를 다운로드하려면 다음을 참조하세요 Model Weight 다운로드
Roboflow 외부에서 학습한 weights 업로드
사용자 지정 모델 학습을 완료한 후, 모델 weights를 다시 Roboflow project에 업로드하여 다음의 이점을 활용하세요 Roboflow Inference.
모델 지원
다음을 참조하세요: Supported Models 표 weights 업로드 호환성에 대한 자세한 내용은.
YOLOv8 모델은 다음에서 학습해야 합니다:
ultralytics==8.0.196YOLOv9 모델은 다음을 사용하여 학습 및 업로드해야 합니다:
ultralytics에서 https://github.com/WongKinYiu/yolov9YOLOv10 모델은 다음을 사용하여 학습 및 업로드해야 합니다:
ultralytics에서YOLOv11 모델은 다음에서 학습해야 합니다:
ultralytics<=8.3.40YOLOv12 모델은 다음을 사용하여 학습 및 업로드해야 합니다:
ultralytics에서 https://github.com/sunsmarterjie/yolov12
더 큰 모델 크기는 더 좋은 학습 결과를 제공합니다. 그러나 모델 크기가 클수록 학습 시간과 inference(모델 예측) 속도는 느려집니다. 빠르게 움직이는 객체나 비디오 피드에 대한 실시간 inference를 원하시는지(더 작은 모델을 사용하는 것이 좋음), 아니면 데이터 수집 후에 이를 처리하며 더 높은 예측 정확도를 더 중시하는지(더 큰 모델 선택)를 고려하세요.
Versioned vs. Versionless 모델 업로드
Roboflow는 project에 모델을 배포하는 두 가지 서로 다른 방식을 제공하며, 각 방식은 서로 다른 사용 사례와 조직의 요구를 충족합니다. versioned 배포와 versionless 배포 중 선택은 dataset version과 함께 모델의 변화를 추적해야 하는지, 아니면 workspace의 여러 project 간에 모델을 공유하고 싶은지에 따라 달라집니다.
Versionless 배포
workspace 수준에 연결됨
여러 project에 동시에 배포할 수 있음
동일한 workspace 내의 서로 다른 project 간에 모델을 공유하는 데 이상적임
Versioned 배포
특정 project version에 연결됨
dataset version당 모델 1개
dataset version과 함께 모델의 변화를 추적하는 데 이상적임
Label Assist에서 모델을 사용하는 데 이상적임
다른 모델을 학습할 때 checkpoint로 모델을 사용하는 데 이상적임
사용자 지정 weights 업로드
먼저, 최신 버전의 roboflow Python 패키지가 설치되어 있는지 확인하세요:
versionless 사용자 지정 weights를 업로드하려면 다음을 사용하세요: workspace.deploy_model() 메서드:
매개변수
model_type (str): 배포되는 모델의 유형(예: "yolov8", "yolov11")
model_path (str): 모델 weights가 포함된 디렉터리의 파일 경로
project_ids (list[str]): 모델을 배포할 project ID 목록
model_name (str): 모델을 식별하기 위한 이름 - (최소 1개의 문자를 포함해야 하며, 숫자와 하이픈을 허용함)
filename (str, optional): weights 파일 이름(기본값은 "weights/best.pt")
예시
하나의 versioned 모델은 반드시 하나의 해당 dataset version에만 연결되어야 합니다. dataset에 생성된 version이 없다면, 다음에서 생성할 수 있습니다: 앱 내에서 또는 다음을 통해 API.
다음 문서를 참조하세요: API를 통해 version을 불러오는 방법 또는 아래 예시를 참조하세요.
사용자 지정 weights를 업로드하려면 다음을 사용하세요: version.deploy() Python SDK의 메서드입니다.
사용량
매개변수
model_type (str): 배포할 모델의 유형(예: "yolov8", "yolov11")
model_path (str): 모델 weights가 포함된 디렉터리의 파일 경로
filename (str, optional): weights 파일 이름(기본값은 "weights/best.pt")
예시
중요 참고 사항
하나의 version에는 한 번에 하나의 학습된 모델만 있을 수 있습니다
이미 모델이 있는 version에 업로드를 시도하면 429 오류가 발생합니다
인증
어떤 CLI 명령을 사용하기 전에 Roboflow로 인증해야 합니다:
인증 명령을 실행하세요:
roboflow login터미널에 표시된 URL을 방문하세요: https://app.roboflow.com/auth-cli
웹사이트에서 인증 토큰을 받으세요
토큰을 터미널에 붙여넣으세요
인증 정보는 자동으로 다음 위치에 저장됩니다: ~/.config/roboflow/config.json
모델 weights 업로드
Roboflow CLI는 학습된 모델 weights를 Roboflow project에 업로드하는 명령을 제공합니다. 이는 사용자 지정으로 학습한 모델을 Roboflow에 배포하고 싶을 때 유용합니다.
기본 사용법
매개변수
-w, --workspace: workspace ID 또는 URL(선택 사항 - 지정하지 않으면 기본 workspace를 사용함)-p, --project: 모델을 업로드할 project ID( versionless 업로드의 경우 여러 project에 대해 여러 번 지정할 수 있음)-t, --model_type: 모델 유형(예: yolov8, paligemma2)-m, --model_path: 학습된 모델 파일이 포함된 디렉터리의 경로-v, --version_number: 모델을 업로드할 version 번호(선택 사항)-f, --filename: 모델 파일 이름(기본값: "weights/best.pt")-n, --model_name: 모델 이름(versionless 모델 배포 시 필수)
예시
다음 단계
Roboflow의 "Models" 탭에서 모델을 확인하세요
다음을 사용해 로컬에서 모델을 실행하세요: Roboflow Inference Server.
마지막 업데이트
도움이 되었나요?