ultralytics/ultralytics사전 학습된 YOLO 모델과 Python/CLI API를 사용하여 객체 탐지, 분할, 분류, 포즈 추정 및 추적을 위한 딥러닝 프레임워크입니다.
Ultralytics는 컴퓨터 비전과 AI 분야의 기초 연구를 바탕으로 수년간 축적된 노하우로 구축된 최첨단 SOTA(State-of-the-Art) YOLO 모델을 만듭니다. 성능과 유연성을 위해 지속적으로 업데이트되는 당사의 모델은 빠르고, 정확하며, 사용하기 쉽습니다. 이 모델은 객체 감지, 인스턴스 분할, 시맨틱 분할, 깊이 추정, 이미지 분류, 포즈 추정 작업에 탁월하며, 비디오 프레임에서 감지된 객체를 추적할 수 있습니다.
자세한 문서는 Ultralytics Docs에서 확인하세요. GitHub Issues를 통해 지원을 받을 수 있습니다. Discord, Reddit, Ultralytics 커뮤니티 포럼에서 토론에 참여하세요!
상업적 사용을 위한 엔터프라이즈 라이선스는 Ultralytics Licensing에서 요청하세요.
빠른 시작 설치 및 사용 예시는 아래를 참조하세요. 학습, 검증, 예측 및 배포에 대한 포괄적인 안내는 전체 Ultralytics Docs를 참조하세요.
PyTorch>=1.8이 포함된 Python>=3.8 환경에서 모든 요구 사항을 포함한 ultralytics 패키지를 설치하세요.
대체 설치 방법([Conda](https://anaconda.org/conda-forge/ultralytics), [Docker](https://hub.docker.com/r/ultralytics/ultralytics), Git을 통한 소스 빌드 포함)은 [Quickstart Guide](https://docs.ultralytics.com/quickstart)를 참조하세요.
[](https://anaconda.org/conda-forge/ultralytics) [](https://hub.docker.com/r/ultralytics/ultralytics) [](https://hub.docker.com/r/ultralytics/ultralytics)
</details>
<details open>
<summary>사용법</summary>
### CLI
명령줄 인터페이스(CLI)에서 `yolo` 명령을 사용하여 Ultralytics YOLO를 직접 사용할 수 있습니다:```bash
# Predict using a pretrained YOLO model (e.g., YOLO26n) on an image
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'
yolo 명령은 다양한 작업과 모드를 지원하며, imgsz=640과 같은 추가 인자를 허용합니다. 더 많은 예시는 YOLO CLI 문서에서 확인하세요.
Ultralytics YOLO는 Python 프로젝트에 직접 통합할 수도 있습니다. CLI와 동일한 구성 인자를 허용합니다:```python from ultralytics import YOLO
model = YOLO("yolo26n.pt")
train_results = model.train( data="coco8.yaml", # Path to dataset configuration file epochs=100, # Number of training epochs imgsz=640, # Image size for training device="cpu", # Device to run on (e.g., 'cpu', 0, [0,1,2,3]) )
metrics = model.val()
results = model("path/to/image.jpg") # Predict on an image results[0].show() # Display results
path = model.export(format="onnx") # Returns the path to the exported model
YOLO [Python 문서](https://docs.ultralytics.com/usage/python)에서 더 많은 예시를 확인하세요.
</details>
## ✨ 모델
Ultralytics는 [YOLOv3](https://docs.ultralytics.com/models/yolov3)과 같은 초기 버전부터 최신 [YOLO26](https://docs.ultralytics.com/models/yolo26)까지 다양한 YOLO 모델을 지원합니다. 아래 표는 [COCO](https://docs.ultralytics.com/datasets/detect/coco)에서 사전 학습된 YOLO26 모델을 [Detection](https://docs.ultralytics.com/tasks/detect), [Segmentation](https://docs.ultralytics.com/tasks/segment), [Pose Estimation](https://docs.ultralytics.com/tasks/pose) 작업별로 보여줍니다. [Semantic Segmentation](https://docs.ultralytics.com/tasks/semantic) 모델은 [Cityscapes](https://docs.ultralytics.com/datasets/semantic/cityscapes)에서 사전 학습되었으며, [Depth Estimation](https://docs.ultralytics.com/tasks/depth) 모델은 다양한 멀티 데이터셋 혼합으로 사전 학습되어 [NYU Depth V2](https://cs.nyu.edu/~fergus/datasets/nyu_depth_v2.html)에서 평가됩니다. [Classification](https://docs.ultralytics.com/tasks/classify) 모델은 [ImageNet](https://docs.ultralytics.com/datasets/classify/imagenet)에서 사전 학습되었습니다. [Tracking](https://docs.ultralytics.com/modes/track) 모드는 Detection, Segmentation, Pose, OBB 모델과 호환됩니다. 모든 [모델](https://docs.ultralytics.com/models)은 최초 사용 시 최신 Ultralytics [릴리스](https://github.com/ultralytics/assets/releases)에서 자동으로 다운로드됩니다.
<a href="https://docs.ultralytics.com/tasks" target="_blank">
<img width="100%" src="https://cdn.ul.run/i/c99d914c3958d0755b5a3d7204b6f24a.avif" alt="Ultralytics YOLO supported tasks">
</a>
<br>
<br>
<details open><summary>Detection (COCO)</summary>
사용 예시는 [Detection 문서](https://docs.ultralytics.com/tasks/detect)에서 확인하세요. 이 모델들은 80개의 객체 클래스를 포함하는 [COCO 데이터셋](https://cocodataset.org/)에서 학습되었습니다.
| Model | size<br><sup>(pixels)</sup> | mAP<sup>val<br>50-95</sup> | mAP<sup>val<br>50-95(e2e)</sup> | Speed<br><sup>CPU ONNX<br>(ms)</sup> | Speed<br><sup>T4 TensorRT10<br>(ms)</sup> | params<br><sup>(M)</sup> | FLOPs<br><sup>(B)</sup> |
| ---------------------------------------------------------------------- | --------------------------- | -------------------------- | ------------------------------- | ------------------------------------ | ----------------------------------------- | ------------------------ | ----------------------- |
| [YOLO26n](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n) | 640 | 40.9 | 40.1 | 38.9 ± 0.7 | 1.7 ± 0.0 | 2.4 | 5.5 |
| [YOLO26s](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s) | 640 | 48.6 | 47.8 | 87.2 ± 0.9 | 2.5 ± 0.0 | 9.5 | 20.9 |
| [YOLO26m](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m) | 640 | 53.1 | 52.5 | 220.0 ± 1.4 | 4.7 ± 0.1 | 20.4 | 68.4 |
| [YOLO26l](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l) | 640 | 55.0 | 54.4 | 286.2 ± 2.0 | 6.2 ± 0.2 | 24.8 | 86.8 |
| [YOLO26x](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x) | 640 | 57.5 | 56.9 | 525.8 ± 4.0 | 11.8 ± 0.2 | 55.7 | 194.4 |
- **mAP<sup>val</sup>** 값은 [COCO val2017](https://cocodataset.org/) 데이터셋에서 단일 모델 단일 스케일 성능을 나타냅니다. 자세한 내용은 [YOLO 성능 지표](https://docs.ultralytics.com/guides/yolo-performance-metrics)를 참조하세요. <br>`yolo val detect data=coco.yaml device=0` 명령으로 재현할 수 있습니다.
- **Speed** 지표는 [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/) 인스턴스를 사용하여 COCO val 이미지에 대해 평균화되었습니다. CPU 속도는 [ONNX](https://onnx.ai/) 내보내기로 측정되었습니다. GPU 속도는 [TensorRT](https://developer.nvidia.com/tensorrt) 내보내기로 측정되었습니다. <br>`yolo val detect data=coco.yaml batch=1 device=0|cpu` 명령으로 재현할 수 있습니다.
</details>
<details><summary>Segmentation (COCO)</summary>
사용 예시는 [Segmentation 문서](https://docs.ultralytics.com/tasks/segment)를 참조하세요. 이 모델들은 80개의 클래스를 포함하는 [COCO-Seg](https://docs.ultralytics.com/datasets/segment/coco)에서 학습되었습니다.
| Model | size<br><sup>(pixels)</sup> | mAP<sup>box<br>50-95(e2e)</sup> | mAP<sup>mask<br>50-95(e2e)</sup> | Speed<br><sup>CPU ONNX<br>(ms)</sup> | Speed<br><sup>T4 TensorRT10<br>(ms)</sup> | params<br><sup>(M)</sup> | FLOPs<br><sup>(B)</sup> |
| ------------------------------------------------------------------------------ | --------------------------- | ------------------------------- | -------------------------------- | ------------------------------------ | ----------------------------------------- | ------------------------ | ----------------------- |
| [YOLO26n-seg](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-seg) | 640 | 39.6 | 33.9 | 53.3 ± 0.5 | 2.1 ± 0.0 | 2.7 | 9.3 |
| [YOLO26s-seg](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-seg) | 640 | 47.3 | 40.0 | 118.4 ± 0.9 | 3.3 ± 0.0 | 10.4 | 34.5 |
| [YOLO26m-seg](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-seg) | 640 | 52.5 | 44.1 | 328.2 ± 2.4 | 6.7 ± 0.1 | 23.6 | 121.7 |
| [YOLO26l-seg](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-seg) | 640 | 54.4 | 45.5 | 387.0 ± 3.7 | 8.0 ± 0.1 | 28.0 | 140.1 |
| [YOLO26x-seg](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-seg) | 640 | 56.5 | 47.0 | 787.0 ± 6.8 | 16.4 ± 0.1 | 62.8 | 314.0 |
- **mAP<sup>val</sup>** 값은 [COCO val2017](https://cocodataset.org/) 데이터셋에서 단일 모델 단일 스케일 성능을 나타냅니다. 자세한 내용은 [YOLO 성능 지표](https://docs.ultralytics.com/guides/yolo-performance-metrics)를 참조하세요. <br>`yolo val segment data=coco.yaml device=0` 명령으로 재현할 수 있습니다.
- **Speed** 지표는 [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/) 인스턴스를 사용하여 COCO val 이미지에 대해 평균화되었습니다. CPU 속도는 [ONNX](https://onnx.ai/) 내보내기로 측정되었습니다. GPU 속도는 [TensorRT](https://developer.nvidia.com/tensorrt) 내보내기로 측정되었습니다. <br>`yolo val segment data=coco.yaml batch=1 device=0|cpu` 명령으로 재현할 수 있습니다.
</details>
<details><summary>Semantic Segmentation (Cityscapes)</summary>
사용 예시는 [Semantic Segmentation 문서](https://docs.ultralytics.com/tasks/semantic)를 참조하세요. 이 모델들은 19개의 클래스를 포함하는 [Cityscapes](https://docs.ultralytics.com/datasets/semantic/cityscapes)에서 학습되었습니다.
| Model | size<br><sup>(pixels)</sup> | mIoU<sup>val</sup> | Speed<br><sup>RTX3090 PyTorch<br>(ms)</sup> | params<br><sup>(M)</sup> | FLOPs<br><sup>(B)</sup> |
| ------------------------------------------------------------------------------ | --------------------------- | ------------------ | ------------------------------------------- | ------------------------ | ----------------------- |
| [YOLO26n-sem](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-sem) | 1024 × 2048 | 78.3 | 4.4 ± 0.0 | 1.6 | 23.8 |
| [YOLO26s-sem](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-sem) | 1024 × 2048 | 80.8 | 8.4 ± 0.0 | 6.5 | 91.0 |
| [YOLO26m-sem](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-sem) | 1024 × 2048 | 82.0 | 19.9 ± 0.1 | 14.3 | 305.5 |
| [YOLO26l-sem](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-sem) | 1024 × 2048 | 82.9 | 26.5 ± 0.1 | 17.8 | 388.2 |
| [YOLO26x-sem](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-sem) | 1024 × 2048 | 83.6 | 48.9 ± 0.2 | 40.1 | 866.9 |
- **mIoU<sup>val</sup>** 값은 [Cityscapes](https://www.cityscapes-dataset.com/) 검증 세트에서 단일 모델 단일 스케일 성능을 나타냅니다. <br>`yolo semantic val data=cityscapes.yaml device=0 imgsz=2048` 명령으로 재현할 수 있습니다.
- **Speed** 지표는 RTX3090 인스턴스를 사용하여 Cityscapes 검증 이미지에 대해 평균화되었습니다. <br>`yolo semantic val data=cityscapes.yaml batch=1 device=0|cpu imgsz=2048` 명령으로 재현할 수 있습니다.
</details>
<details><summary>Depth Estimation (NYU Depth V2)</summary>
사용 예시는 [Depth Estimation 문서](https://docs.ultralytics.com/tasks/depth)를 참조하세요. 이 모델들은 다양한 멀티 데이터셋 혼합으로 사전 학습되었으며 [NYU Depth V2](https://cs.nyu.edu/~fergus/datasets/nyu_depth_v2.html) Eigen 테스트 분할에서 평가되어 픽셀별 깊이(미터 단위)를 예측합니다.
| Model | size<br><sup>(pixels)</sup> | delta1<sup>NYU</sup> | abs_rel<sup>NYU</sup> | rmse<sup>NYU</sup> | Speed<br><sup>CPU ONNX<br>(ms)</sup> | Speed<br><sup>T4 TensorRT10<br>(ms)</sup> | params<br><sup>(M)</sup> | FLOPs<br><sup>(B)</sup> |
| ---------------------------------------------------------------------------------- | --------------------------- | -------------------- | --------------------- | ------------------ | ------------------------------------ | ----------------------------------------- | ------------------------ | ----------------------- |
| [YOLO26n-depth](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-depth) | 768 | 0.882 | 0.109 | 0.414 | 272.0 ± 27.2 | 2.7 ± 0.1 | 6.3 | 46.9 |
| [YOLO26s-depth](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-depth) | 768 | 0.896 | 0.104 | 0.399 | 393.7 ± 13.1 | 3.8 ± 0.0 | 13.2 | 68.0 |
| [YOLO26m-depth](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-depth) | 768 | 0.921 | 0.089 | 0.364 | 621.5 ± 49.7 | 6.0 ± 0.1 | 23.3 | 130.4 |
| [YOLO26l-depth](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-depth) | 768 | 0.930 | 0.083 | 0.351 | 821.9 ± 50.7 | 7.7 ± 0.1 | 27.7 | 157.0 |
| [YOLO26x-depth](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-depth) | 768 | 0.933 | 0.080 | 0.344 | 1240.9 ± 73.3 | 13.6 ± 0.2 | 57.0 | 301.7 |
- **delta1<sup>NYU</sup>** 는 NYU Depth V2 Eigen 테스트 분할(654개 이미지)에서 예측 깊이가 실제 값의 1.25배 이내에 있는 픽셀의 비율로, 멀티 스케일 + 수평 플립 TTA 및 로그 최소 제곱 정렬을 사용합니다.
- TTA 없는 단일 스케일 정확도는 `yolo depth val model=yolo26n-depth.pt data=nyu-depth.yaml imgsz=768 device=0` 명령으로 재현할 수 있습니다(각 크기에 대해 `model=`을 대체). 이는 중앙값(스케일 전용) 정렬을 사용하며 점수가 더 낮습니다: delta1 0.785 (n), 0.786 (s), 0.827 (m), 0.839 (l), 0.843 (x).
- **abs_rel** 은 예측 깊이와 실제 깊이 값 사이의 평균 절대 상대 오차입니다.
- **rmse** 는 미터 단위의 평균 제곱근 오차입니다.
- **Speed** 는 `imgsz=768`, `batch=1`에서 추론 전용 지연 시간(전/후처리 제외)으로, 워밍업 후 시간 측정 실행의 평균 ± 표준편차로 보고됩니다. **CPU ONNX** 는 32코어 Intel Xeon(Skylake)에서 ONNX Runtime fp32를 의미하며, **T4 TensorRT10** 은 Tesla T4에서 TensorRT fp16을 의미합니다.
- **params** 및 **FLOPs** 는 릴리스된 가중치의 학습 해상도인 768×768에서 측정되었습니다.
</details>
<details><summary>Classification (ImageNet)</summary>
사용 예시는 [Classification 문서](https://docs.ultralytics.com/tasks/classify)를 참조하세요. 이 모델들은 1000개의 클래스를 포함하는 [ImageNet](https://docs.ultralytics.com/datasets/classify/imagenet)에서 학습되었습니다.
| Model | size<br><sup>(pixels)</sup> | acc<br><sup>top1</sup> | acc<br><sup>top5</sup> | Speed<br><sup>CPU ONNX<br>(ms)</sup> | Speed<br><sup>T4 TensorRT10<br>(ms)</sup> | params<br><sup>(M)</sup> | FLOPs<br><sup>(B) at 224</sup> |
| ------------------------------------------------------------------------------ | --------------------------- | ---------------------- | ---------------------- | ------------------------------------ | ----------------------------------------- | ------------------------ | ------------------------------ |
| [YOLO26n-cls](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-cls) | 224 | 71.4 | 90.1 | 5.0 ± 0.3 | 1.1 ± 0.0 | 2.8 | 0.4 |
| [YOLO26s-cls](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-cls) | 224 | 76.0 | 92.9 | 7.9 ± 0.2 | 1.3 ± 0.0 | 6.7 | 1.5 |
| [YOLO26m-cls](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-cls) | 224 | 78.1 | 94.2 | 17.2 ± 0.4 | 2.0 ± 0.0 | 11.6 | 4.8 |
| [YOLO26l-cls](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-cls) | 224 | 79.0 | 94.6 | 23.2 ± 0.3 | 2.8 ± 0.0 | 14.1 | 6.0 |
| [YOLO26x-cls](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-cls) | 224 | 79.9 | 95.0 | 41.4 ± 0.9 | 3.8 ± 0.0 | 29.6 | 13.5 |
- **acc** 값은 [ImageNet](https://www.image-net.org/) 데이터셋 검증 세트에서 모델 정확도를 나타냅니다. <br>`yolo val classify data=path/to/ImageNet device=0` 명령으로 재현할 수 있습니다.
- **Speed** 지표는 [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/) 인스턴스를 사용하여 ImageNet val 이미지에 대해 평균화되었습니다. CPU 속도는 [ONNX](https://onnx.ai/) 내보내기로 측정되었습니다. GPU 속도는 [TensorRT](https://developer.nvidia.com/tensorrt) 내보내기로 측정되었습니다. <br>`yolo val classify data=path/to/ImageNet batch=1 device=0|cpu` 명령으로 재현할 수 있습니다.
</details>
<details><summary>Pose (COCO)</summary>
사용 예시는 [Pose Estimation 문서](https://docs.ultralytics.com/tasks/pose)를 참조하세요. 이 모델들은 'person' 클래스에 초점을 맞춘 [COCO-Pose](https://docs.ultralytics.com/datasets/pose/coco)에서 학습되었습니다.
| Model | size<br><sup>(pixels)</sup> | mAP<sup>pose<br>50-95(e2e)</sup> | mAP<sup>pose<br>50(e2e)</sup> | Speed<br><sup>CPU ONNX<br>(ms)</sup> | Speed<br><sup>T4 TensorRT10<br>(ms)</sup> | params<br><sup>(M)</sup> | FLOPs<br><sup>(B)</sup> |
| -------------------------------------------------------------------------------- | --------------------------- | -------------------------------- | ----------------------------- | ------------------------------------ | ----------------------------------------- | ------------------------ | ----------------------- |
| [YOLO26n-pose](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-pose) | 640 | 57.2 | 83.3 | 40.3 ± 0.5 | 1.8 ± 0.0 | 2.9 | 7.6 |
| [YOLO26s-pose](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-pose) | 640 | 63.0 | 86.6 | 85.3 ± 0.9 | 2.7 ± 0.0 | 10.4 | 24.1 |
| [YOLO26m-pose](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-pose) | 640 | 68.8 | 89.6 | 218.0 ± 1.5 | 5.0 ± 0.1 | 21.5 | 73.3 |
| [YOLO26l-pose](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-pose) | 640 | 70.4 | 90.5 | 275.4 ± 2.4 | 6.5 ± 0.1 | 25.9 | 91.7 |
| [YOLO26x-pose](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-pose) | 640 | 71.6 | 91.6 | 565.4 ± 3.0 | 12.2 ± 0.2 | 57.6 | 202.3 |
- **mAP<sup>val</sup>** 값은 [COCO Keypoints val2017](https://docs.ultralytics.com/datasets/pose/coco) 데이터셋에서 단일 모델 단일 스케일 성능을 나타냅니다. 자세한 내용은 [YOLO 성능 지표](https://docs.ultralytics.com/guides/yolo-performance-metrics)를 참조하세요. <br>`yolo val pose data=coco-pose.yaml device=0` 명령으로 재현할 수 있습니다.
- **Speed** 지표는 [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/) 인스턴스를 사용하여 COCO val 이미지에 대해 평균화되었습니다. CPU 속도는 [ONNX](https://onnx.ai/) 내보내기로 측정되었습니다. GPU 속도는 [TensorRT](https://developer.nvidia.com/tensorrt) 내보내기로 측정되었습니다. <br>`yolo val pose data=coco-pose.yaml batch=1 device=0|cpu` 명령으로 재현할 수 있습니다.</details>
<details><summary>방향성 경계 상자 (OBB, DOTAv1)</summary>
사용 예시는 [OBB 문서](https://docs.ultralytics.com/tasks/obb)를 확인하세요. 이 모델들은 15개 클래스를 포함한 [DOTAv1](https://docs.ultralytics.com/datasets/obb/dota-v2#dota-v10) 데이터셋으로 학습되었습니다.
| 모델 | 크기<br><sup>(픽셀)</sup> | mAP<sup>test<br>50-95(e2e)</sup> | mAP<sup>test<br>50(e2e)</sup> | 속도<br><sup>CPU ONNX<br>(ms)</sup> | 속도<br><sup>T4 TensorRT10<br>(ms)</sup> | 파라미터<br><sup>(M)</sup> | FLOPs<br><sup>(B)</sup> |
| ------------------------------------------------------------------------------ | --------------------------- | -------------------------------- | ----------------------------- | ------------------------------------ | ----------------------------------------- | ------------------------ | ----------------------- |
| [YOLO26n-obb](https://platform.ultralytics.com/ultralytics/yolo26/yolo26n-obb) | 1024 | 52.4 | 78.9 | 97.7 ± 0.9 | 2.8 ± 0.0 | 2.4 | 14.8 |
| [YOLO26s-obb](https://platform.ultralytics.com/ultralytics/yolo26/yolo26s-obb) | 1024 | 54.8 | 80.9 | 218.0 ± 1.4 | 4.9 ± 0.1 | 9.8 | 56.7 |
| [YOLO26m-obb](https://platform.ultralytics.com/ultralytics/yolo26/yolo26m-obb) | 1024 | 55.3 | 81.0 | 579.2 ± 3.8 | 10.2 ± 0.3 | 21.2 | 184.9 |
| [YOLO26l-obb](https://platform.ultralytics.com/ultralytics/yolo26/yolo26l-obb) | 1024 | 56.2 | 81.6 | 735.6 ± 3.1 | 13.0 ± 0.2 | 25.6 | 232.4 |
| [YOLO26x-obb](https://platform.ultralytics.com/ultralytics/yolo26/yolo26x-obb) | 1024 | 56.7 | 81.7 | 1485.7 ± 11.5 | 30.5 ± 0.9 | 57.6 | 520.1 |
- **mAP<sup>test</sup>** 값은 [DOTAv1 테스트 세트](https://captain-whu.github.io/DOTA/dataset.html)에서 단일 모델 다중 스케일 성능을 나타냅니다. <br>`yolo val obb data=DOTAv1.yaml device=0 split=test` 명령으로 재현하고, 병합된 결과를 [DOTA 평가 서버](https://captain-whu.github.io/DOTA/evaluation.html)에 제출하세요.
- **속도** 지표는 [Amazon EC2 P4d](https://aws.amazon.com/ec2/instance-types/p4/) 인스턴스를 사용하여 [DOTAv1 검증 이미지](https://docs.ultralytics.com/datasets/obb/dota-v2#dota-v10)에 대해 평균화된 값입니다. CPU 속도는 [ONNX](https://onnx.ai/) 내보내기로 측정되었습니다. GPU 속도는 [TensorRT](https://developer.nvidia.com/tensorrt) 내보내기로 측정되었습니다. <br>`yolo val obb data=DOTAv1.yaml batch=1 device=0|cpu` 명령으로 재현하세요.
</details>
## 🧩 통합
선도적인 AI 플랫폼과의 핵심 통합은 Ultralytics 제품의 기능을 확장하여 데이터셋 라벨링, 학습, 시각화, 모델 관리와 같은 작업을 향상시킵니다. [Weights & Biases](https://docs.ultralytics.com/integrations/weights-biases), [Comet ML](https://docs.ultralytics.com/integrations/comet), [Roboflow](https://docs.ultralytics.com/integrations/roboflow), [Intel OpenVINO](https://docs.ultralytics.com/integrations/openvino)와 같은 파트너와 협력하여 Ultralytics가 AI 워크플로우를 어떻게 최적화할 수 있는지 알아보세요. 더 자세한 내용은 [Ultralytics 통합](https://docs.ultralytics.com/integrations)에서 확인하세요.
<a href="https://platform.ultralytics.com" target="_blank">
<img width="100%" src="https://raw.githubusercontent.com/ultralytics/assets/main/yolov8/banner-integrations.png" alt="Ultralytics active learning integrations">
</a>
## 🤝 기여하기
우리는 커뮤니티 협력을 통해 성장합니다! Ultralytics YOLO는 여러분과 같은 개발자들의 기여 덕분에 현재의 SOTA 프레임워크가 될 수 있었습니다. 시작하려면 [기여 가이드](https://docs.ultralytics.com/help/contributing)를 참조하세요. 또한 여러분의 피드백을 환영합니다—[설문 조사](https://www.ultralytics.com/survey?utm_source=github&utm_medium=social&utm_campaign=Survey)를 통해 경험을 공유해 주세요. 기여해 주신 모든 분께 진심으로 **감사드립니다** 🙏!
<!-- SVG image from https://opencollective.com/ultralytics/contributors.svg?width=1280 -->
[](https://github.com/ultralytics/ultralytics/graphs/contributors)
Ultralytics 생태계를 더욱 발전시키기 위한 여러분의 기여를 기대합니다!
## 📜 라이선스
Ultralytics는 다양한 요구에 맞는 두 가지 라이선스 옵션을 제공합니다:
- **AGPL-3.0 라이선스**: 이 [OSI 승인](https://opensource.org/license/agpl-3.0) 오픈소스 라이선스는 학생, 연구자, 애호가에게 적합합니다. 개방형 협력과 지식 공유를 장려합니다. 전체 내용은 [LICENSE](https://github.com/ultralytics/ultralytics/blob/main/LICENSE) 파일을 참조하세요.
- **Ultralytics 엔터프라이즈 라이선스**: 개발 및 프로덕션 사용을 위해 이 라이선스는 내부 도구, 자동화 워크플로우, 프로덕션 배포를 포함한 비즈니스 제품 및 서비스에 Ultralytics 소프트웨어와 AI 모델을 원활하게 통합할 수 있게 하며, AGPL-3.0의 오픈소스 요구 사항을 우회합니다. 시작하려면 [Ultralytics 라이선스](https://www.ultralytics.com/license)를 통해 문의해 주세요.
## 📞 연락처
Ultralytics 소프트웨어 관련 버그 신고 및 기능 요청은 [GitHub Issues](https://github.com/ultralytics/ultralytics/issues)를 방문해 주세요. 질문, 토론, 커뮤니티 지원은 [Discord](https://discord.com/invite/ultralytics), [Reddit](https://www.reddit.com/r/ultralytics/), [Ultralytics 커뮤니티 포럼](https://community.ultralytics.com)의 활발한 커뮤니티에 참여하세요. Ultralytics에 관한 모든 문의에 도움을 드리겠습니다!
<br>
<div align="center">
<a href="https://github.com/ultralytics"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-github.png" width="3%" alt="Ultralytics GitHub"></a>
<img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="space">
<a href="https://www.linkedin.com/company/ultralytics/"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-linkedin.png" width="3%" alt="Ultralytics LinkedIn"></a>
<img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="space">
<a href="https://twitter.com/ultralytics"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-twitter.png" width="3%" alt="Ultralytics Twitter"></a>
<img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="space">
<a href="https://www.youtube.com/ultralytics?sub_confirmation=1"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-youtube.png" width="3%" alt="Ultralytics YouTube"></a>
<img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="space">
<a href="https://www.tiktok.com/@ultralytics"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-tiktok.png" width="3%" alt="Ultralytics TikTok"></a>
<img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="space">
<a href="https://ultralytics.com/bilibili"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-bilibili.png" width="3%" alt="Ultralytics BiliBili"></a>
<img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-transparent.png" width="3%" alt="space">
<a href="https://discord.com/invite/ultralytics"><img src="https://raw.githubusercontent.com/ultralytics/assets/main/social/logo-social-discord.png" width="3%" alt="Ultralytics Discord"></a>
</div>