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/yolov9YOLOv10 모델은 다음을 사용하여 학습 및 업로드해야 합니다.
ultralytics
출처YOLOv11 모델은 다음에서 학습되어야 합니다.
ultralytics<=8.3.40
YOLOv12 모델은 다음을 사용하여 학습 및 업로드해야 합니다.
ultralytics
출처 https://github.com/sunsmarterjie/yolov12
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
Roboflow의 "Models" 탭에서 모델을 확인하세요
다음으로 로컬에서 모델 실행 Roboflow Inference Server.
Last updated
Was this helpful?