커스텀 모델 가중치 업로드

Roboflow는 사용자 맞춤형 학습 모델의 가중치를 Roboflow 프로젝트에 업로드하여 모델 배포에 사용할 수 있는 기능을 제공합니다.

사용자 정의 모델 훈련을 완료하면 모델 가중치를 Roboflow 프로젝트에 다시 업로드하여 다음의 이점을 활용하세요 Roboflow Inference.

모델 지원

참조를 지원되는 모델 표 훈련, 가중치 업로드 및 가중치 다운로드 호환성을 위해.

모델 가중치 업로드는 현재 다음에 대해 제공됩니다:

• YOLOv5 (n, s, m, l, x) 객체 감지 및 인스턴스 분할

• YOLOv7 인스턴스 분할 (yolov7-seg)

• YOLOv8 (n, s, m, l, x) 객체 감지, 인스턴스 분할, 분류 및 키포인트 감지

• YOLOv9 (n, s, m, l, x) 객체 감지

• YOLOv10 (n, s, m, l, x) 객체 감지

• YOLOv11 (n, s, m, l, x) 객체 감지, 인스턴스 분할

• YOLOv12 (n, s, m, l, x) 객체 감지

• YOLO-NAS (s, m, l) 객체 감지

• RF-DETR (rfdetr-base, rfdetr-large) 객체 감지

• Florence-2 (base, large) 멀티모달

• PaliGemma (3b-pt-224, 3b-pt-448, 3b-pt-896) 멀티모달

• PaliGemma 2 (3b-pt-224, 3b-pt-448, 3b-pt-896) 멀티모달

• YOLOv8 모델은 다음으로 학습되어야 합니다 ultralytics==8.0.196

• YOLOv9 모델은 다음을 사용하여 학습 및 업로드되어야 합니다 ultralytics 출처 https://github.com/WongKinYiu/yolov9

• YOLOv10 모델은 다음을 사용하여 학습 및 업로드되어야 합니다 ultralytics 출처

  https://github.com/THU-MIG/yolov10

• YOLOv11 모델은 다음으로 학습되어야 합니다 ultralytics<=8.3.40

• YOLOv12 모델은 다음을 사용하여 학습 및 업로드되어야 합니다 ultralytics 출처 https://github.com/sunsmarterjie/yolov12

더 큰 모델 크기는 더 나은 학습 결과를 제공합니다. 하지만 모델 크기가 클수록 학습 시간과 추론(모델 예측) 속도가 느려집니다. 빠르게 움직이는 객체나 비디오 피드에서 실시간 추론을 원한다면(작은 모델을 사용하는 것이 더 낫습니다), 아니면 데이터 수집 후 처리하고 더 높은 예측 정확도를 원한다면(더 큰 모델을 선택) 이를 고려하세요.

버전형 모델 vs 버전 없음 모델 업로드

Roboflow는 프로젝트에 모델을 배포하기 위한 두 가지 접근 방식을 제공하며, 각 접근 방식은 서로 다른 사용 사례와 조직적 요구를 충족합니다. 버전형 배포와 버전 없음 배포 중 선택은 데이터셋 버전과 함께 모델 진화를 추적할 필요가 있는지, 또는 워크스페이스 내 여러 프로젝트에서 모델을 공유하려는지에 따라 달라집니다.

• 버전 없음 배포

  • 워크스페이스 수준에 연결됨

  • 여러 프로젝트에 동시에 배포할 수 있음

  • 동일한 워크스페이스 내 여러 프로젝트 간에 모델을 공유할 때 이상적임

• 버전형 배포

  • 특정 프로젝트 버전에 연결됨

  • 데이터셋 버전당 하나의 모델

  • 데이터셋 버전과 함께 모델 진화를 추적하는 데 이상적임

  • Label Assist에서 모델을 사용할 때 이상적임

  • 다른 모델을 훈련할 때 체크포인트로 모델을 사용할 때 이상적임

사용자 정의 가중치 업로드

Python SDK (버전 없음)

시작하기 전에 다음이 있는지 확인하세요 roboflow>=1.1.53 버전 없음 배포를 사용하려면.

버전 없음 사용자 정의 가중치를 업로드하려면 다음을 사용하세요 workspace.deploy_model Python SDK의 메서드.

사용량

workspace.deploy_model(
    model_type="yolov8",  # 모델 유형
    model_path="path/to/model",  # 모델 디렉터리 경로
    project_ids=["project1", "project2"],  # 프로젝트 ID 목록
    model_name="my-model",  # 모델 이름(최소 1자 이상, 숫자 및 대시 허용)
    filename="weights/best.pt"  # 가중치 파일 경로(기본값)
)

매개변수

• model_type (str): 배포되는 모델의 유형 (예: "yolov8", "yolov11")

• model_path (str): 모델 가중치가 포함된 디렉터리의 파일 경로

• project_ids (list[str]): 모델을 배포할 프로젝트 ID 목록

• model_name (str): 모델을 식별하는 이름 - (최소 1자 이상, 숫자 및 대시 허용)

• filename (str, optional): 가중치 파일명(기본값: "weights/best.pt")

예시

from roboflow import Roboflow

rf = Roboflow(api_key="YOUR_API_KEY")
workspace = rf.workspace("YOUR_WORKSPACE")

workspace.deploy_model(
  model_type="yolov8",
  model_path="./runs/train/weights",
  project_ids=["project-1", "project-2", "project-3"],
  model_name="my-custom-model"
)

Python SDK (버전형)

CLI (버전 없음 및 버전형)

다음 단계

1. Roboflow의 "Models" 탭에서 모델을 확인하세요

2. 다음으로 모델을 로컬에서 실행하세요 Roboflow Inference Server.

3. 모델 배포