YOLO 라이선스 받기
가이드

Azure Custom Vision 서비스 종료: 비전 모델을 위한 마이그레이션 체크리스트

Azure Custom Vision은 2028년 9월 25일에 서비스가 종료됩니다. 마이그레이션을 계획하고, 레이블이 지정된 데이터를 내보낸 다음 Ultralytics Platform에서 다시 학습하세요.

Jing QiuJing Qiu13 분 읽기
Azure Custom Vision 마이그레이션 체크리스트용 Ultralytics 표지: Custom Vision 감지 프로젝트, 태그 지정, 학습 반복 및 예측 엔드포인트를 Platform 데이터셋, 어노테이션 편집기, 클라우드 학습 및 전용 엔드포인트에 매핑하는 패널이 표시된 Ultralytics Platform의 새 데이터셋 대화상자

Azure Custom Vision은 2028년 9월 25일에 서비스가 종료됩니다. 클라우드 학습이나 예측 기능을 사용하는 팀은 그 전에 대체 서비스를 마련해야 하며, 내보낸 모델을 실행하는 팀도 제품과 카메라가 바뀔 때 모델을 다시 학습할 곳이 필요합니다. 앞으로 수년간 레이블 지정, 학습 및 배포를 이어갈 수 있는 플랫폼으로 이전하기에 좋은 시점입니다.

이 체크리스트에서는 원활한 마이그레이션을 위한 다섯 단계를 안내합니다. 현재 실행 중인 항목을 파악하고, 레이블이 지정된 데이터를 확보하고, 이전할 곳을 선택하고, 자체 이미지에서 새 모델을 검증한 다음, 대체 방안을 마련한 상태로 전환합니다. 각 단계에서는 Custom Vision 프로젝트의 구성 요소를 Ultralytics Platform으로 이전하는 방법을 보여줍니다. 이곳에서 Ultralytics YOLO 모델의 레이블 지정, 학습 및 배포를 한곳에서 수행할 수 있으므로, 이번 이전을 임시방편이 아닌 팀의 장기적인 기반으로 삼을 수 있습니다.

무엇이 언제 변경되나요?#

Microsoft의 Custom Vision 마이그레이션 지침에 따르면:

  • 2028년 9월 25일: Custom Vision 서비스가 종료되고 서비스를 사용할 수 없게 됩니다. Microsoft는 그때까지 기존 고객에게 완전한 지원을 제공합니다.
  • 2026년 9월 25일: Microsoft가 고객에게 이전 계획을 수립하도록 요청한 기한입니다.

Microsoft의 일정: 고객에게 이전 계획을 수립하도록 요청한 기한인 2026년 9월 25일은 지났으며, 2028년 9월 25일에는 Custom Vision 서비스가 종료되고 Image Analysis API도 같은 날 서비스가 종료됩니다

마이그레이션 지침에 명시된 Azure Custom Vision 및 Image Analysis API의 Microsoft 서비스 종료 일정입니다.

실제 운영에 미치는 영향:

  • 클라우드 학습 및 예측이 중단됩니다. Custom Vision 예측 엔드포인트를 호출하는 모든 애플리케이션은 서비스 종료일 전에 새 엔드포인트를 마련해야 합니다.
  • 내보낸 모델은 서비스 연속성을 지원할 수 있습니다. Custom Vision에서는 모델을 내보내 ONNX, TensorFlow, TensorFlow.js, CoreML 또는 Docker 컨테이너 형식으로 변환해 자체 하드웨어에서 실행할 수 있습니다. ONNX와 같은 모델 파일은 서비스를 호출하지 않습니다. Microsoft는 Docker 컨테이너에 Custom Vision API용 서비스 코드가 포함된다고 설명하므로, 해당 컨테이너에 의존하기 전에 서비스를 사용할 수 없는 상태에서 테스트하세요. 내보내기는 compact 도메인을 사용하는 프로젝트에서만 가능하며, Microsoft는 compact 모델이 standard 도메인 모델보다 정확도가 약간 낮을 수 있다고 안내합니다. 또한 서비스 종료 후에는 Custom Vision에서 내보낸 모델을 다시 학습할 수 없으므로 제품, 카메라 및 결함이 바뀌면 성능이 저하될 수 있습니다.
  • Image Analysis API도 같은 날짜에 서비스가 종료됩니다. Microsoft에 따르면 연결 및 연결 해제된 컨테이너를 포함해 Image Analysis API도 2028년 9월 25일에 종료됩니다. 두 서비스를 모두 사용한다면 마이그레이션을 두 번이 아닌 한 번으로 계획하세요.
  • 마이그레이션을 위해 이미지와 레이블을 보존하세요. 재학습 모델의 성능은 기반 데이터셋의 품질을 넘을 수 없으므로, 지원되는 모델 내보내기 파일과 함께 레이블이 지정된 데이터를 보존하세요.

서비스 종료 시점의 서비스 가용성 및 내보내기 옵션: Custom Vision 학습 및 예측 호출과 Image Analysis API가 종료됩니다. 내보낸 ONNX, TensorFlow, TensorFlow.js 또는 CoreML 파일은 로컬에서 계속 실행할 수 있지만 Custom Vision에서 다시 학습할 수 없습니다. 내보낸 Docker 컨테이너는 서비스를 사용할 수 없는 상태에서 테스트해야 합니다. 서비스 종료 전에 이미지와 레이블의 독립적인 사본을 다운로드하고 검증하세요

Microsoft의 마이그레이션 및 내보내기 문서를 바탕으로 한 서비스 종료 시점의 서비스 가용성 및 내보내기 옵션입니다.

1단계: 현재 실행 중인 항목 파악#

무엇이든 비교하기 전에 현재 보유한 항목을 기록하세요. 각 Custom Vision 프로젝트에 대해 다음을 기록합니다.

  • 프로젝트 유형: 이미지 분류(다중 클래스 또는 다중 레이블) 또는 객체 감지입니다.
  • 도메인: standard 도메인 또는 compact 도메인입니다. compact 도메인 프로젝트만 모델을 내보낼 수 있습니다.
  • 예측 기능을 사용하는 곳: 예측 엔드포인트를 호출하는 모든 애플리케이션, 스크립트, 디바이스 또는 워크플로와 각 항목의 담당자입니다.
  • 현재 모델의 승인 기준: 현재 의존하는 정밀도와 재현율, 그리고 비용이 가장 큰 오류 유형입니다. 결함 누락과 오검출로 인한 불합격의 비용은 대개 같지 않습니다.
  • 데이터셋: 이미지 수, 태그 및 태그가 지정된 이미지와 지정되지 않은 이미지의 수입니다.
  • 제약 조건: 지연 시간, 추론을 실행해야 하는 위치(클라우드, 공장 현장, 모바일, 오프라인), 데이터 상주 위치 및 액세스가 필요한 사용자입니다.
프로젝트유형도메인호출하는 항목(담당자)승인 기준이미지(태그 지정 / 미지정)태그제약 조건
예: weld-defects객체 감지일반(compact)라인 3 QA 앱(공장 IT)균열 재현율 95% 이상, 오검출로 인한 불합격 2% 미만4,200 / 1,1003현장, 200ms 미만

첫 번째 행은 기록할 세부 수준의 예시이며 실제 프로젝트 데이터가 아닙니다.

이 목록은 대체 솔루션의 요구사항이자 전환 테스트 계획이 됩니다.

2단계: 레이블이 지정된 데이터를 조기에 확보#

Microsoft는 먼저 레이블이 지정된 데이터셋과 모델 메타데이터를 내보낸 다음 새 플랫폼에 필요한 형식으로 변환하도록 안내합니다. 서비스가 완전히 지원되는 동안 이 작업을 진행해 내보낸 데이터를 검증할 시간을 확보하세요.

  • 이미지와 레이블: Custom Vision Training API의 Get Tagged Images 작업은 이미지 메타데이터와 태그를 반환하며, 객체 감지의 경우 영역 정보도 반환합니다. take을 256으로 설정하고 skip를 사용해 페이지를 순회한 다음 각 원본 이미지를 해당 originalImageUri을 통해 다운로드하세요. 메타데이터만으로는 이미지 백업이 되지 않습니다. VNET 기능이 활성화된 프로젝트는 대신 상대 경로를 반환하며, 해당 경로의 파일은 GetArtifact를 사용해 가져와야 합니다.
  • 개수를 확인하세요: 내보낸 이미지 및 레이블의 수가 각 프로젝트에 표시된 태그별 개수와 일치하는지 확인한 후 내보내기에 의존하세요.
  • 데이터 관련 설정을 기록하세요: 프로젝트 및 태그 ID, 태그와 클래스 간 매핑, 도메인, 게시된 반복 버전, 애플리케이션에서 사용하는 신뢰도 임계값 및 전처리를 기록합니다.
  • ExportProject의 기능을 파악하세요: Microsoft의 ExportProject API는 임시 토큰을 사용해 프로젝트를 다른 Custom Vision 계정으로 복사합니다. 데이터셋을 이식 가능한 형태로 백업하는 기능은 아닙니다.
  • 바운딩 박스: 감지 영역은 이미지 크기를 기준으로 하는 정규화 좌표이며 left, top, width, height으로 반환됩니다. 이를 YOLO 형식(정규화된 중심 x, 중심 y, 너비, 높이) 또는 COCO 형식으로 변환하려면 좌표 변환, 클래스 매핑 및 박스 위치 오류를 찾기 위한 검증이 필요합니다.

YOLO 형식으로 변환한 Custom Vision 바운딩 박스: Custom Vision은 왼쪽 위 모서리를 left 0.30, top 0.25로, 너비를 0.35로, 높이를 0.40으로 저장합니다. YOLO는 중심을 x_center 0.475, y_center 0.45로 저장하며 너비와 높이는 동일합니다

두 형식으로 표현한 동일한 박스입니다. 두 형식 모두 이미지 크기를 기준으로 정규화된 좌표를 사용합니다.

def to_yolo_line(region, class_ids):
    """Custom Vision region (normalized left, top, width, height) -> YOLO label line."""
    x_center = region["left"] + region["width"] / 2
    y_center = region["top"] + region["height"] / 2
    class_id = class_ids[region["tagName"]]
    return f"{class_id} {x_center:.6f} {y_center:.6f} {region['width']:.6f} {region['height']:.6f}"


# {"tagName": "scratch", "left": 0.30, "top": 0.25, "width": 0.35, "height": 0.40}
# -> "0 0.475000 0.450000 0.350000 0.400000"
  • 태그가 지정되지 않은 이미지: Get Untagged Images 작업을 사용해 이 이미지도 내보내세요. 레이블을 지정할 수 있게 되면 추가 학습 예시로 유용하게 활용할 수 있습니다.

내보내기 전에 Microsoft의 제한 페이지에서 두 가지 수치를 확인하세요. Custom Vision은 분류의 경우 태그당 레이블이 지정된 이미지가 최소 5개, 객체 감지의 경우 최소 15개 필요하며, 두 작업 모두 50개 이상을 권장합니다. 또한 예측 이미지는 30일 동안만 저장되므로 재학습에 사용할 이미지는 지금 저장하세요.

  • 모델: compact 도메인 프로젝트의 경우 전환 중 실행할 대체 모델로 현재 모델을 내보내세요. standard 도메인 프로젝트는 compact 도메인으로 전환해 다시 학습해야 내보낼 수 있으며, compact 모델은 정확도가 약간 낮을 수 있습니다.

원본 내보내기 파일은 변경하지 말고 사본을 변환해 언제든지 원본으로 되돌릴 수 있도록 하세요. Ultralytics Platform으로 이전하는 경우 Platform은 YOLO, COCO 및 Ultralytics NDJSON 데이터셋을 직접 가져올 수 있으므로 YOLO 형식이 자연스러운 선택입니다.

3단계: 대체 솔루션 유형 선택#

AWS가 2025년 10월 31일에 종료한 Amazon Lookout for Vision에 의존했던 팀도 같은 선택을 거쳤습니다. 하나의 정답이 있는 것은 아닙니다. 최적의 대체 솔루션은 사용 사례와 팀이 파이프라인을 얼마나 직접 관리하고자 하는지에 따라 달라집니다.

옵션적합한 용도팀이 관리하는 항목확인할 사항
AutoML을 포함한 Azure Machine Learning(Microsoft 권장 경로)Azure 환경을 유지하면서 사용자 지정 분류 및 감지를 원하는 팀Azure ML 작업 영역, 컴퓨팅 및 배포Azure ML에서 학습 및 배포 워크플로를 재구축하는 데 필요한 노력
Amazon SageMaker AI, Amazon Rekognition Custom Labels 또는 Google Cloud의 Gemini Enterprise Agent Platform과 같은 다른 클라우드 제공업체의 관리형 ML 서비스해당 클라우드로 표준화하는 팀제공업체의 학습, 배포 및 모니터링 설정내보내기 옵션, 마이그레이션 작업량 및 향후 모델 이전 가능 여부
Microsoft Foundry의 생성형 AI 서비스(Microsoft 권장 경로)프롬프트 기반 또는 생성형 모델을 중심으로 솔루션을 재설계할 의향이 있는 팀프롬프트 설계, 평가 및 솔루션 운영특정 결함이나 객체에 대한 정확도, 지연 시간 및 일관성
Landing AI의 LandingLens 또는 Ultralytics Platform과 같은 전용 학습 가능 비전 플랫폼관리형 학습 및 배포 인프라를 갖춘 단일 환경에서 레이블 지정, 학습 및 배포를 원하는 팀데이터셋, 레이블 지정, 평가 및 애플리케이션 통합지원 작업, 가져오기 형식, 배포 대상, 학습된 모델의 이식성 및 팀 액세스 제어
오픈 소스 프레임워크 기반 구축모든 것을 직접 제어하고자 하는 ML 엔지니어가 있는 팀학습 코드, 인프라 및 모니터링장기 유지 관리 및 인력 구성
턴키 검사 시스템하드웨어, 소프트웨어 및 통합을 한 공급업체에서 제공받고자 하는 생산 라인공급업체 조율, 승인 테스트 및 지속적인 지원제품 및 결함 유형 변경에 대응하는 유연성

마이그레이션 작업량, 지속적인 컴퓨팅 및 지원 비용, 조달 요구사항, 서비스의 프리뷰 종료 여부 등을 포함해 1단계에서 작성한 인벤토리를 기준으로 각 옵션을 평가하세요. 팀이 레이블 지정, 학습 및 배포를 한곳에서 수행하는 방식을 중요하게 여겼다면, 전용 학습 가능 비전 플랫폼은 통합된 레이블 지정, 학습 및 배포 워크플로를 제공합니다. 아래의 "Ultralytics Platform으로 이전" 섹션에서는 프로젝트의 각 구성 요소를 매핑합니다. 추론을 디바이스 또는 오프라인에서 실행해야 한다면 먼저 내보내기 형식을 확인하세요. 여러 사용자가 데이터에 레이블을 지정하고 검토한다면 팀 역할과 권한을 확인하세요.

4단계: 자체 이미지에서 검증#

공급업체 예시만 사용하지 말고 자체 데이터로 평가하세요.

  1. 데이터를 세 가지로 분할하세요: 학습 세트, 검증 세트, 그리고 새 모델에 한 번도 제공하지 않을 테스트 세트로 나눕니다. 테스트 세트에는 가장 어렵고 드문 사례도 포함합니다. 해당하는 경우 생산 로트, 카메라 또는 기간을 기준으로 분할하고 각 세트에 유사한 이미지가 중복 포함되지 않도록 해 테스트가 새로운 조건을 반영하게 하세요.
  2. 내보낸 데이터셋으로 다시 학습하세요. 기존과 동일한 태그 또는 클래스를 사용합니다.
  3. 단일 정확도 수치만 보지 말고 1단계에서 정한 승인 기준과 비교하세요. 감지 누락과 오경보를 각각 확인합니다.
  4. 실제 실행 환경에서 테스트하세요: 프로덕션과 동일한 카메라, 디바이스 또는 네트워크 경로를 사용합니다.
  5. 통합을 조정하세요: 대체 솔루션의 인증, 요청 및 응답 형식, 전처리, 신뢰도 임계값 및 오류 처리를 확인한 다음, 새 엔드포인트 URL만으로 충분하다고 가정하지 말고 각 애플리케이션을 업데이트하고 테스트하세요.
  6. 프로덕션 부하에서 테스트하세요: 동시성, 콜드 스타트, 재시도 및 장애 발생 시 동작을 확인합니다.

Ultralytics Platform에서는 클라우드 학습을 사용해 변환된 데이터셋으로 학습하고 지표를 실시간으로 추적한 다음, 프로덕션 조건에서 모델을 테스트할 수 있습니다.

새 모델의 성능이 기대에 미치지 못한다면 수정 방법을 선택하기 전에 레이블, 전처리, 모델 적합성 및 배포 동작을 조사하세요. 마이그레이션은 일관되지 않은 레이블을 수정하고 기존 모델이 처리하기 어려워했던 사례를 추가하기에 좋은 시점입니다.

5단계: 전환 계획#

전환 순서: 1 홀드아웃 이미지로 파일럿 실행, 2 현재 모델과 병렬 실행, 3 애플리케이션 하나 전환, 4 모니터링 후 반복. 전환 전에 승인 기준을 충족하지 못하면 데이터, 전처리, 모델 및 통합을 조사한 다음 수정하고 다시 테스트합니다. 전환 후 롤백 임계값을 초과하면 테스트된 대체 모델로 롤백합니다

현재 Custom Vision을 호출하는 각 애플리케이션의 전환 순서입니다.

  • 병렬로 실행하세요. 일정 기간 동안 동일한 이미지를 기존 모델과 새 모델에 입력하고 전환 전에 결과를 비교합니다.
  • 사용 애플리케이션을 한 번에 하나씩 전환하세요. 위험이 가장 낮은 애플리케이션부터 시작합니다.
  • 롤백 트리거를 미리 정의하고, 예를 들어 미스율이나 오검출률이 합의한 한도를 초과하는 경우를 지정하고, 확신이 들 때까지 대체 수단을 유지합니다. 사용 중단 전에는 현재 Custom Vision 엔드포인트를, 사용 중단 후에는 이미 테스트를 마친 내보낸 소형 모델과 같이 별도로 배포한 대체 수단을 사용합니다.
  • 각 애플리케이션의 전환 담당자를 지정하여 사용 중단된 엔드포인트를 호출하는 애플리케이션이 남지 않도록 합니다.
  • 각 애플리케이션의 현재 실행 방식을 반영합니다. Ultralytics Platform에서는 전용 엔드포인트에서 모델 예측을 제공하거나 자체 하드웨어에서 실행되도록 모델을 내보낼 수 있으므로, 클라우드 호출 애플리케이션과 온디바이스 앱 모두에 적합한 경로를 마련할 수 있습니다.
  • 재학습 담당자를 결정합니다. 제품, 조명 및 결함 유형은 변합니다. 새로운 데이터를 누가 검토하고 모델을 얼마나 자주 재학습할지 합의하여, 생산 조건이 변해도 새 시스템이 이에 맞춰 적응할 수 있도록 합니다.

Ultralytics Platform으로 이전하기#

팀에서 레이블 지정, 학습, 배포를 한곳에서 처리하는 Custom Vision 워크플로를 선호했다면, Ultralytics Platform은 Ultralytics YOLO 모델을 기반으로 동일한 엔드투엔드 워크플로를 제공합니다. 이전 후에는 Custom Vision 프로젝트의 각 요소가 다음과 같이 바뀝니다.

Custom Vision에서Ultralytics Platform에서
분류 및 객체 탐지 프로젝트분류 및 탐지용 데이터셋과 세그멘테이션, 포즈 및 방향이 지정된 바운딩 박스용 데이터셋
태그가 지정된 이미지와 영역변환한 내보내기 파일을 YOLO, COCO 또는 Ultralytics NDJSON 형식으로 업로드합니다.
포털에서 태그 지정탐지용 스마트 어노테이션 기능을 갖춘 어노테이션 편집기를 사용합니다. SAM, 사전 학습된 YOLO 모델 또는 자체 미세 조정 모델을 사용할 수 있습니다. 분류 이미지는 수동으로 레이블을 지정합니다.
학습 반복GPU에서 클라우드 학습을 진행하며, 메트릭을 실시간으로 스트리밍하고 체크포인트를 자동 저장합니다.
예측 엔드포인트42개 지역의 전용 엔드포인트
디바이스용 소형 도메인 내보내기ONNX, TensorRT 및 CoreML 등의 형식으로 모델을 내보낼 수 있으며, 모델 및 작업 호환성이 전제됩니다.
공유 프로젝트 액세스Owner, Admin, Editor 및 Viewer 역할을 갖춘 팀 워크스페이스(팀 요구 사항 확인 가능)를 미국, EU 또는 아시아 태평양 데이터 지역에서 사용할 수 있습니다.

Ultralytics Platform의 새 데이터셋 대화상자. 업로드 가능한 YOLO, COCO 및 Ultralytics NDJSON 데이터셋이 ZIP, TAR 또는 NDJSON 파일로 표시되어 있습니다

Ultralytics Platform의 새 데이터셋 대화상자에서는 YOLO, COCO 및 Ultralytics NDJSON 데이터셋을 사용할 수 있습니다. 표시된 업로드 한도는 이 스크린샷에 사용된 계정에 적용됩니다.

몇 가지 계획할 사항이 있습니다.

  • 가져오는 대신 재학습합니다. Custom Vision 모델은 업로드할 수 없으므로 내보낸 데이터로 YOLO 모델을 학습해야 합니다.
  • 다중 레이블 분류. Platform의 분류 데이터셋은 이미지당 하나의 레이블을 사용하므로, 이전하기 전에 다중 레이블 프로젝트를 어떻게 처리할지 결정합니다.
  • 개인정보 보호 및 지역. 새 데이터셋은 워크스페이스의 기본 공개 범위 설정에 따라 공개 또는 비공개로 시작하므로, 독점 데이터셋은 생성 시 비공개로 설정합니다. 데이터 지역은 가입 시 선택하며, 이후에는 직접 변경할 수 없습니다.
  • 서빙 용량. 각 전용 엔드포인트는 활성 인스턴스 하나를 실행합니다. 기본 크기는 유휴 상태일 때 0으로 축소되지만, 사용자 지정 크기는 인스턴스를 웜 상태로 유지합니다. 따라서 프로덕션 요구 사항에 맞춰 처리량과 콜드 스타트를 벤치마킹하거나, 자체 인프라에서 실행하도록 모델을 내보냅니다.
  • 범위. 비전 플랫폼은 검사 시스템의 모델 부분을 대체하지만, 주변의 카메라, 조명 또는 생산 라인 통합은 대체하지 않습니다.

프로젝트 하나로 시작합니다. 대표적인 Custom Vision 데이터셋 내보내기 파일을 지원되는 형식으로 변환해 Ultralytics Platform에 업로드하고 모델을 학습한 다음, 1단계에서 합의한 승인 기준에 따라 모델을 비교합니다. 대규모 이전을 계획하고 계신가요? 프로젝트 수, 작업 유형, 데이터셋 크기, 지연 시간 목표 및 배포 제약 사항에 대해 팀에 문의하세요.

자주 묻는 질문

  • 2028년 9월 25일입니다. Microsoft는 기존 고객을 그때까지 지원하며, 고객에게 2026년 9월 25일까지 전환 계획을 세우도록 요청했습니다.

  • ONNX, TensorFlow, TensorFlow.js 또는 CoreML로 내보낸 모델 파일은 Custom Vision 서비스를 호출하지 않고 자체 하드웨어에서 실행되므로 계속 작동할 수 있습니다. 내보낸 Docker 컨테이너를 사용한다면, 서비스에 연결할 수 없는 상태에서 테스트한 후 사용해야 합니다. Custom Vision에서 모델을 재학습할 수 없으며, 내보내기는 소형 도메인 프로젝트에서만 사용할 수 있습니다.

  • 네. Training API의 Get Tagged Images 작업은 이미지 메타데이터, 태그 및 객체 탐지 영역을 요청당 최대 256개 이미지까지 반환하며, 각 원본 이미지에 대해 originalImageUri을 제공합니다(VNET 기능이 활성화된 프로젝트는 GetArtifact로 가져오는 상대 경로를 반환합니다). 이미지 자체를 다운로드한 다음, 영역을 YOLO 또는 COCO와 같은 새 플랫폼의 형식으로 변환합니다.

  • Microsoft의 마이그레이션 지침은 사용자 지정 분류 및 탐지를 위해 AutoML을 포함한 Azure Machine Learning을 안내하며, 사용자 지정 분류를 위한 Azure Content Understanding을 비롯해 Microsoft Foundry의 생성형 AI 옵션도 제시합니다.

  • Ultralytics Platform으로 이전하려면 변환한 데이터셋으로 지원되는 YOLO 모델을 학습할 계획을 세우세요. Custom Vision 모델 내보내기는 Platform 모델 업로드에서 지원되지 않기 때문입니다. 레이블을 유지하고 품질을 검토한 후 전환 전에 새 모델을 검증합니다.

작성자

Jing Qiu
Jing Qiu

선임 머신러닝 엔지니어 · Ultralytics

Jing Qiu는 Ultralytics의 시니어 머신러닝 엔지니어로, 최첨단 컴퓨터 비전 모델의 성능, 확장성, 실제 적용 가능성을 높이는 데 주력합니다. 모델 아키텍처, 학습 최적화, 배포 전반의 업무를 담당하며, Ultralytics YOLO가 전 세계 개발자와 기업에 업계 최고 수준의 정확도와 효율성을 제공하도록 지원합니다.

댓글

질문하거나 결과를 공유하거나 다른 사람을 도와주세요.

솔루션 살펴보기

스포츠 분야의 컴퓨터 비전

스포츠 분야의 컴퓨터 비전

Ultralytics YOLO가 선수 및 공 추적, 경기력 분석, 코칭 인사이트, 선수 재활을 통해 스포츠 비전을 구현하는 방법을 알아보세요.
자세히 알아보기
항공 이미지 컴퓨터 비전

항공 이미지 컴퓨터 비전

Ultralytics YOLO를 활용해 드론 및 항공 이미지를 농업, 양식업, 보전, 지리 공간 분석을 위한 실시간 인사이트로 전환하세요.
자세히 알아보기
항공우주 분야의 컴퓨터 비전

항공우주 분야의 컴퓨터 비전

Ultralytics YOLO를 활용해 항공기 검사, 활주로 FOD 감지, 공항 지상 운영, 복합재 결함 감지 등 항공우주 분야에 컴퓨터 비전을 적용하세요.
자세히 알아보기
보안 분야의 컴퓨터 비전

보안 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 모든 시설을 보호하세요. Vision AI는 경계 모니터링, 위협 감지, 번호판 인식, 작업장 안전을 지원합니다.
자세히 알아보기
로보틱스 분야의 컴퓨터 비전

로보틱스 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 더 스마트한 머신을 구현하세요. 로보틱스 분야의 Vision AI는 자율 주행, 인식, 객체 추적, 실시간 제어를 지원합니다.
자세히 알아보기
물류 분야의 컴퓨터 비전

물류 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 물류를 간소화하세요. 비전 AI는 화물 검사, 분류, 차량 추적, 실시간 창고 안전 모니터링을 지원합니다.
자세히 알아보기
리테일 분야의 컴퓨터 비전

리테일 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 리테일의 새로운 가능성을 열어 보세요. 비전 AI는 재고 추적, 선반 모니터링, 대기열 관리, 더욱 심층적인 고객 인사이트를 지원합니다.
자세히 알아보기
의료 분야의 컴퓨터 비전

의료 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 의료 솔루션을 구축하세요. 의료 분야의 비전 AI는 의료 영상 판독을 가속화하고, 진단을 개선하며, 환자 모니터링을 지원합니다.
자세히 알아보기
제조 분야의 컴퓨터 비전

제조 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 제조 공정을 최적화하세요. 비전 AI는 품질 관리, 결함 탐지, PPE 규정 준수, 조립 라인 자동화를 지원합니다.
자세히 알아보기
자동차 분야의 컴퓨터 비전

자동차 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 자동차 분야에 컴퓨터 비전을 적용하세요. 비전 AI는 도로 안전, 운전자 지원, 차량 자동화를 개선해 더 스마트한 도로를 구현합니다.
자세히 알아보기
농업 분야의 컴퓨터 비전

농업 분야의 컴퓨터 비전

Ultralytics YOLO 모델로 스마트 농업에 비전 AI를 도입하세요. 작물 모니터링, 가축 추적, 정밀 농업을 지원하여 더 높은 수확량과 더 스마트한 농업을 실현합니다.
자세히 알아보기

함께 AI의 미래를 만들어 가세요!

머신러닝의 미래와 함께 여정을 시작하세요