Ultralytics Platform으로 구축하기
Ultralytics Platform에서 실제 탐지 프로젝트를 실행합니다. 예산을 세우고, 데이터를 가져와 라벨링하고, 데이터 분할의 무결성을 확인하고, 학습 및 실행 결과를 비교하고, 전용 엔드포인트를 배포하고, 정확도를 모니터링하고, 재학습 루프를 자동화합니다.
작성자 Ultralytics Academy
Ultralytics Platform에서 하나의 컴퓨터 비전 프로젝트를 처음부터 끝까지 출시하고, 프로젝트를 안정적으로 운영하는 스크립트와 런북을 완성합니다. 여기에는 업로드 전 검사, 라벨링 임계값 스윕, 데이터 누수 감사, 승격 게이트, 복원력 있는 엔드포인트 클라이언트, 예약된 상태 및 홀드아웃 검사가 포함됩니다.
프로젝트를 Platform에 맞춰 설계하고 크레딧을 사용하기 전에 학습, 어노테이션, 엔드포인트 가동 시간을 위한 예산을 책정합니다.
의도적인 비디오 샘플링을 포함해 첫 시도에 데이터셋 상태가 Ready가 되도록 데이터를 가져옵니다.
검수 작업량을 측정해 라벨링 모델과 신뢰도 임계값을 선택한 다음, 편집률로 Batch Annotation을 검증합니다.
데이터셋 버전에 분할 간 중복이나 카메라 데이터 누수가 없고 모든 클래스의 예시가 충분한지 확인합니다.
예산에 맞춰 클라우드 실행을 시작하고 학습 곡선을 기준으로 결과를 평가하며, 옵티마이저가 학습률을 무시하는 일이 없도록 파인튜닝합니다.
사전에 선언한 게이트를 기준으로 새 실행 결과가 기준선을 능가하는지 판단하고, 모델을 배포한 뒤 콜드 스타트에도 견디는 클라이언트로 호출합니다.
엔드포인트 상태와 홀드아웃 정확도에 알림을 설정하고, 리전 및 개인정보를 처리하며, 재학습과 릴리스를 자동화합니다.
수명 주기 맵과 월별 예산을 포함한 프로젝트 계획
샘플링한 비디오, 검수된 라벨, 감사를 거친 분할, 번호가 지정된 버전을 포함하는 Ready 데이터셋
기준선을 대상으로 스크립트 기반 승격 게이트를 통과한 학습된 모델
재시도 기능을 갖춘 클라이언트, 예약된 상태 검사, 홀드아웃 정확도 이력을 포함한 전용 엔드포인트
트리거, 단계, 담당자, 롤백, 자동화된 릴리스 단계를 포함한 재학습 런북
Ultralytics Platform 계정이 필요합니다. Free 플랜과 가입 크레딧으로 과정을 수강할 수 있으며, 연결된 클라우드 스토리지를 사용하려면 Pro가 필요합니다.
실습 예제를 실행하려면 Python 3.11 이상과
ultralytics>=8.4.120,ultralytics-platform이 필요합니다. API 강의에서 사용하는ultralytics-platformSDK에 Python 3.11이 필요하며, Ultralytics 자체는 Python 3.10 이상에서 실행됩니다.Ultralytics YOLO에 대한 기본 지식이 필요합니다. Computer Vision Foundations, Building High-Performance YOLO Datasets, Train your first YOLO model을 먼저 수강하는 것을 권장합니다.
소규모 이미지 데이터셋(이미지 50~500개)과 자체 도메인의 짧은 비디오 하나 또는 예제에서 사용하는 공개 데이터셋이 필요합니다.
강좌 콘텐츠
모듈 4개 · 레슨 10개모듈 1
모듈 2
모듈 3
모듈 4
엔드포인트 배포 및 호출
42개 리전 중 하나에 전용 엔드포인트를 만들고 트래픽에 맞게 크기를 설정한 다음, 콜드 스타트, 429 응답, 잘못된 키를 처리하는 클라이언트로 호출합니다.
상태 및 정확도 모니터링
Platform의 엔드포인트 지표와 예측 통계를 확인하고, 예약된 상태 검사로 알림을 보내며, 홀드아웃 작업으로 정확도 드리프트를 감지합니다.
개인정보 보호, 리전 및 컴플라이언스
계약에 따라 데이터 및 배포 리전을 선택하고, 데이터를 비공개로 유지하며, 업로드 전에 이미지를 익명화하고, 출시 전 컴플라이언스 체크리스트를 작성합니다.
재학습 루프 자동화
런북, 스크립트 기반 승격 게이트, 롤백이 가능한 자동 릴리스, 주간 검토를 통해 배포 하나를 반복 가능한 루프로 전환합니다.