Ultralytics YOLO-Depth란 무엇인가요?

Ultralytics YOLO-Depth는 단안 깊이 추정을 위한 YOLO26 모델 제품군입니다. 일반 RGB 이미지 한 장에서 픽셀별 깊이 맵을 미터 단위로 조밀하게 예측합니다. YOLO26n-depth부터 YOLO26x-depth까지 5가지 크기의 공식 사전 학습 체크포인트를 사용할 수 있습니다.

단안 깊이 추정은 왜 중요한가요?

깊이 정보를 사용하면 2D 탐지를 3D 이해로 확장할 수 있습니다. 장애물까지의 거리, 객체의 실제 크기, 장면의 배치를 파악할 수 있습니다. 표준 카메라 하나로 이러한 작업을 수행하면 라이다 및 스테레오 장비의 비용, 보정, 통합 부담을 피할 수 있어 로보틱스, 모빌리티, 일반 카메라 시스템에서 공간 인식을 실용적으로 구현할 수 있습니다.

YOLO26 깊이 모델은 무엇을 반환하나요?

각 예측은 입력 이미지에 정렬된 조밀한 float 깊이 맵 하나를 반환합니다. result.depth.data을 통해 접근할 수 있습니다. 값은 미터 단위의 거리를 나타내며, 3D 재구성, 내비게이션, 측정 또는 시각화를 위해 NumPy 배열로 변환할 수 있습니다. 전체 결과 사양은 깊이 예측 가이드를 참조하세요.

자체 데이터로 YOLO-Depth를 학습할 수 있나요?

예. 각 RGB 이미지에 미터 단위의 float32 깊이 맵을 연결하고 표준 Ultralytics train mode를 사용해 사전 학습된 YOLO26-depth 체크포인트를 미세 조정하세요. 공식 가이드에서는 공개된 가중치를 사용자 지정 깊이 도메인에 적용할 때 AdamW와 낮은 학습률을 권장합니다.

YOLO26 깊이 모델을 배포하려면 어떻게 해야 하나요?

export mode를 사용해 YOLO26-depth 체크포인트를 ONNX, OpenVINO, TensorRT, CoreML 등의 형식으로 변환하세요. 그런 다음 엣지, 모바일 또는 서버 하드웨어에서 동일한 Ultralytics 예측 워크플로를 통해 내보낸 모델을 실행할 수 있습니다.

Ultralytics YOLO

Ultralytics YOLO-Depth

RGB 이미지 한 장에서 보이는 모든 표면까지의 거리를 예측하세요. YOLO26 깊이 모델은 전용 깊이 센서, 스테레오 카메라 또는 라이다 없이도 미터 단위의 3D 공간 인식을 제공합니다.

Platform에서 깊이 추정 시작하기 깊이 추정 문서 살펴보기

YOLO26 깊이 추정 모델

YOLO26-depth 모델은 RGB 이미지 한 장에서 미터 단위의 조밀한 깊이 맵을 예측합니다. 5가지 모델 크기는 엣지 배포부터 정확도가 중요한 공간 분석까지 지원합니다. 공개된 가중치는 실내외 이미지 약 219만 장으로 사전 학습되었으며 NYU Depth V2 Eigen 테스트 분할에서 평가되었습니다.

pip install ultralytics

from ultralytics import YOLO

# Load a YOLO26 depth model
model = YOLO("yolo26n-depth.pt")

# Predict metric depth at the model training resolution
results = model("image.jpg", imgsz=768)
depth_map = results[0].depth.data.cpu().numpy()

모델	크기 (px)	delta1	abs_rel	RMSE (m)	파라미터 (M)	FLOPs (B)
YOLO26n-depth	768	0.882	0.109	0.414	6.4	46.9
YOLO26s-depth	768	0.896	0.104	0.399	13.2	67.9
YOLO26m-depth	768	0.921	0.089	0.364	23.3	130.7
YOLO26l-depth	768	0.930	0.083	0.351	27.7	157.2
YOLO26x-depth	768	0.933	0.080	0.344	57.0	302.0

NYU Depth V2 Eigen 테스트 분할에서 YOLO26 깊이 추정 벤치마크를 평가했습니다. 멀티 스케일 및 수평 뒤집기 TTA와 로그 최소제곱 정렬을 사용했으며, 파라미터와 FLOPs는 768 × 768 해상도에서 측정했습니다.

세계 유수의 조직이 신뢰합니다

모델이 미치는 영향

Ultralytics의 최첨단 비전 AI 모델로 다양한 산업 분야의 프로세스를 간소화하세요. 속도, 정확도, 사용 편의성을 제공합니다.

—

GitHub 스타

—

다운로드

—

하루 Ultralytics YOLO 사용 횟수

—

오픈 소스 기여자

Ultralytics YOLO 모델의 발전 과정

실용적인 YOLOv5 워크플로에서 엣지에 최적화된 YOLO26 추론에 이르기까지 Ultralytics YOLO의 발전 과정을 살펴보세요.

2020

Ultralytics YOLOv5

빠르고 실용적인 PyTorch 워크플로를 통해 실시간 객체 탐지를 누구나 사용할 수 있게 했습니다.

2023

Ultralytics YOLOv8

탐지, 세그멘테이션, 분류, 포즈, OBB 전반으로 통합 워크플로를 확장했습니다.

2024

Ultralytics YOLO11

익숙한 Ultralytics 워크플로를 유지하면서 정확도, 속도, 효율성을 개선했습니다.

2026

Ultralytics YOLO26

효율적인 엣지 배포에 최적화된 아키텍처와 엔드투엔드 추론을 도입했습니다.

Image annotation interface using smart segmentation to label an object.

스마트 어노테이션으로 최대 10배 더 빠르게 라벨링하세요

Ultralytics Platform은 고품질 데이터셋을 더 빠르게 구축할 수 있는 이미지 어노테이션 도구를 제공합니다. 스마트 어노테이션부터 정밀한 수동 편집까지, 이러한 기능은 품질을 유지하면서 이미지 라벨링 시간을 줄이도록 설계되었습니다.

SAM 기반 스마트 어노테이션:한 번의 클릭으로 마스크와 바운딩 박스를 생성합니다.
모든 AI 작업 지원:객체 탐지, 인스턴스 세그멘테이션, 시맨틱 세그멘테이션, 분류, 포즈, OBB.
범용 형식 지원:YOLO, COCO 등 원하는 형식을 선택하세요.
팀 검토 및 버전 관리:모든 단계에서 원활하게 협업할 수 있습니다.

저렴한 비용으로 최고의 GPU에서 학습하세요

Ampere부터 Blackwell까지 NVIDIA GPU 26종을 시간당 $0.24부터 이용하세요. 추가 요금, 최소 이용 조건, 약정이 없습니다.

Ampere

검증된 데이터센터 및 워크스테이션 GPU

효율적인 추론 및 실시간 AI

대규모 학습을 위해 특별히 설계됨

Blackwell신규

최신 세대, 최대 성능

어디서나 배포

22개 형식으로 내보내고 엣지, 클라우드, 모바일 환경 전반에 배포하세요.

산업별 솔루션 살펴보기

팀이 실제 운영 환경 전반에서 Ultralytics 컴퓨터 비전을 어떻게 적용하는지 알아보세요.

자주 묻는 질문

Ultralytics YOLO-Depth는 단안 깊이 추정을 위한 YOLO26 모델 제품군입니다. 일반 RGB 이미지 한 장에서 픽셀별 깊이 맵을 미터 단위로 조밀하게 예측합니다. YOLO26n-depth부터 YOLO26x-depth까지 5가지 크기의 공식 사전 학습 체크포인트를 사용할 수 있습니다.
깊이 정보를 사용하면 2D 탐지를 3D 이해로 확장할 수 있습니다. 장애물까지의 거리, 객체의 실제 크기, 장면의 배치를 파악할 수 있습니다. 표준 카메라 하나로 이러한 작업을 수행하면 라이다 및 스테레오 장비의 비용, 보정, 통합 부담을 피할 수 있어 로보틱스, 모빌리티, 일반 카메라 시스템에서 공간 인식을 실용적으로 구현할 수 있습니다.
각 예측은 입력 이미지에 정렬된 조밀한 float 깊이 맵 하나를 반환합니다. result.depth.data을 통해 접근할 수 있습니다. 값은 미터 단위의 거리를 나타내며, 3D 재구성, 내비게이션, 측정 또는 시각화를 위해 NumPy 배열로 변환할 수 있습니다. 전체 결과 사양은 깊이 예측 가이드를 참조하세요.
예. 각 RGB 이미지에 미터 단위의 float32 깊이 맵을 연결하고 표준 Ultralytics train mode를 사용해 사전 학습된 YOLO26-depth 체크포인트를 미세 조정하세요. 공식 가이드에서는 공개된 가중치를 사용자 지정 깊이 도메인에 적용할 때 AdamW와 낮은 학습률을 권장합니다.
export mode를 사용해 YOLO26-depth 체크포인트를 ONNX, OpenVINO, TensorRT, CoreML 등의 형식으로 변환하세요. 그런 다음 엣지, 모바일 또는 서버 하드웨어에서 동일한 Ultralytics 예측 워크플로를 통해 내보낸 모델을 실행할 수 있습니다.