Ultralytics 벤치마크

학습 방법론

기준으로 학습 처리량 — 학습 중 초당 처리되는 이미지 수 — 을 사용하며, 이는 목표 달성 시간과 직접적인 상관관계가 있습니다. 모든 결과는 Ultralytics Platform GPU에서 측정됩니다. 이 GPU는 클릭 한 번으로 클라우드 학습에 대여할 수 있는 동일한 NVIDIA 하드웨어로, 보급형 워크스테이션 카드부터 플래그십 데이터센터 GPU까지 포함합니다. 하드웨어 예산에 맞는 모델을 선택할 수 있도록 YOLO26을 5가지 크기(n/s/m/l/x)로 모두 학습합니다.

설정. 640px에서 COCO의 25%를 대상으로 2 epochs, AMP mixed precision 및 단일 GPU를 사용하며, auto-batch(batch=-1)가 메모리에 맞는 가장 큰 배치 크기를 선택합니다. 첫 번째 epoch의 워밍업(데이터셋 캐싱, CUDA 그래프 캡처)과 실행 종료 시 검증 단계를 제외하기 위해 안정화된 두 번째 epoch을 보고합니다. 결정된 배치 크기, 최고 VRAM(CUDA 컨텍스트 포함) 및 최고 보드 전력은 각 GPU에서 직접 기록합니다.

비용 효율성. 달러당 이미지 수 = 처리량 × 3600 ÷ 시간당 가격으로 계산하며, Ultralytics Platform의 온디맨드 가격을 사용합니다. 가성비가 높은 카드가 달러당 플래그십 GPU보다 더 높은 성과를 내기 때문에 순위가 크게 바뀌는 경우가 많습니다. Train 및 Benchmark 모드 문서도 참조하십시오.