Sign InBook a DemoGet Started

사용자 지정 모델 가중치 업로드

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

사용자 지정 모델의 학습을 완료한 후, 모델 가중치를 Roboflow 프로젝트에 업로드하여 다음의 이점을 누리세요. Roboflow Inference.

모델 지원

자세한 내용은 지원되는 모델 표 학습, 가중치 업로드 및 가중치 다운로드 호환성.

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, 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 다음에서 학습되어야 합니다. ultralytics==8.0.196

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

  • YOLOv10 모델은 다음을 사용하여 학습 및 업로드해야 합니다. ultralytics 출처

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

  • YOLOv11 모델은 다음에서 학습되어야 합니다. ultralytics<=8.3.40

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

더 큰 모델 크기는 더 나은 학습 결과를 제공합니다. 하지만 모델 크기가 커질수록 학습 시간과 추론(모델 예측) 속도가 느려집니다. 빠르게 움직이는 객체나 실시간 영상 피드에 대한 실시간 추론이 필요한 경우(더 작은 모델 사용 권장), 또는 데이터를 수집 후 처리하며 더 높은 예측 정확도가 중요한 경우(더 큰 모델 선택 권장) 등 용도에 따라 고려하세요.

버전 관리 모델 업로드 vs. 비버전 모델 업로드

Roboflow는 프로젝트에 모델을 배포할 때 두 가지 접근 방식을 제공합니다. 각각은 다른 사용 사례와 조직의 필요에 맞게 설계되었습니다. 버전 관리와 비버전 배포 중 선택은 데이터셋 버전과 함께 모델의 진화를 추적해야 하는지, 아니면 워크스페이스 내 여러 프로젝트에 모델을 공유해야 하는지에 따라 달라집니다.

  • 비버전 배포

    • 워크스페이스 수준에 연결됨

    • 여러 프로젝트에 동시에 배포 가능

    • 동일 워크스페이스 내 여러 프로젝트에 모델을 공유할 때 이상적

  • 버전 관리 배포

    • 특정 프로젝트 버전에 연결됨

    • 데이터셋 버전당 하나의 모델

    • 데이터셋 버전과 함께 모델 진화를 추적할 때 이상적

    • Label Assist에서 모델을 사용할 때 이상적

    • 다른 모델 학습을 위한 체크포인트로 모델을 사용할 때 이상적

사용자 지정 가중치 업로드

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

비버전 사용자 지정 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 1개의 문자, 숫자 및 대시 허용)
    filename="weights/best.pt"  # 가중치 파일 경로(기본값)
)

매개변수

  • model_type (str): 배포할 모델 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): 모델 식별용 이름 - (최소 1개의 문자, 숫자 및 대시 허용)

  • filename (str, optional): 가중치 파일 이름(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"
)

다음 단계

  1. Roboflow의 "Models" 탭에서 모델을 확인하세요

  2. 다음으로 로컬에서 모델 실행 Roboflow Inference Server.

  3. 모델 배포

PreviousLuxonis OAKNext모델 가중치 다운로드

Last updated

Was this helpful?