Ultralytics Agents를 사용해 코드 없이 YOLO 감지 결과를 알림으로 연결하는 방법

Ultralytics Platform의 일부인 Ultralytics Agents에서 시각적 워크플로를 구성하면 코드를 작성하지 않고도 Ultralytics YOLO 감지 결과를 알림으로 연결할 수 있습니다. 이미지를 YOLO 모델에 연결하고, 모델이 감지한 항목을 확인하는 Gate를 추가한 다음 결과를 Slack 메시지, 웹훅 또는 데이터셋으로 분기합니다. 이 가이드에서는 Capture and Alert 템플릿을 사용해 워크플로를 단계별로 구성한 다음, 두 번째 모델을 연결하고 저장한 뒤 새 이미지에서 다시 실행하고 Python으로 내보내는 방법을 설명합니다.

구성할 워크플로#

완성된 워크플로는 YOLO26 모델로 이미지를 확인하고, 사람을 감지한 경우에만 동일한 조건에서 다음 세 가지 작업을 수행합니다.

• Slack 메시지를 전송하여 감지 결과를 포함한 메시지를 연결된 채널로 보냅니다.
• JSON 웹훅을 전송하여 티켓 관리 도구나 내부 서비스 등 선택한 JSON 본문을 수신하도록 구성된 공개 HTTPS 엔드포인트에 요청을 보냅니다.
• 이미지를 데이터셋에 저장하여 나중에 라벨을 지정하고 모델을 재학습할 수 있습니다.

Agents는 이미지, 모델, 조건 및 작업을 캔버스의 블록으로 연결하며, 개인 및 팀 워크스페이스에서 로그인한 모든 Ultralytics Platform 사용자가 이용할 수 있습니다(Agents 문서). 선택한 이미지, 동영상 또는 데이터셋에서 Run을 클릭하면 워크플로가 실행되며, 지속적인 카메라 모니터링 서비스는 아닙니다. Agents의 개요와 개발 배경은 Ultralytics Agents 소개를 참조하세요.

이 가이드에서는 Image → YOLO → Gate를 사용하고, Gate를 Slack, Webhook 및 대상 Dataset으로 분기합니다. 전체 블록 참조와 다른 워크플로 패턴은 Agents 문서를 참조하세요.

1단계: Capture and Alert 템플릿 불러오기#

플랫폼 사이드바에서 Agents를 열고 Add block을 클릭한 다음 Templates로 전환하여 Capture and Alert를 선택합니다. 템플릿을 불러오면 현재 캔버스의 블록이 교체되며, Platform에서 먼저 확인을 요청합니다.

Capture and Alert는 사람 감지 조건을 데이터셋 캡처 및 Slack에 이미 연결해 둔 템플릿으로, 아래에서 해당 대상을 구성하고 웹훅 분기를 추가합니다. 다른 템플릿인 YOLO → VLM Monitor 및 Collect Uncertain Detections는 장면 설명 및 검토 데이터셋 구축을 위한 편집 가능한 시작점입니다.

2단계: 입력 이미지 선택하기#

Input image 블록을 선택하고 업로드하거나 업로드한 데이터셋에서 선택하여 사람이 포함된 이미지 하나를 지정합니다. 첫 번째 공유 체험 실행에는 최대 4메가픽셀 이미지를 사용하세요. 업로드한 파일은 워크플로를 실행할 때까지 브라우저에 보관되며 페이지를 새로 고치면 삭제됩니다. 여러 이미지를 처리하려면 Image 블록을 Dataset 블록으로 바꾸고, 소스 데이터셋과 분할을 선택한 다음 입력 제한을 설정하고 YOLO 블록에 연결합니다.

3단계: YOLO 모델 및 신뢰도 선택하기#

Detect people 블록을 선택합니다. 템플릿은 YOLO26 nano(yolo26n)를 사용하며, 공유 체험에서는 이 모델이 실행됩니다. 다른 공식 YOLO 모델이나 사용자 워크스페이스에서 학습한 모델(예: 사용자 지정 결함 또는 PPE 감지 모델)을 사용하려면 이 블록의 Model에서 해당 모델을 선택하고 7단계에서 워크플로 실행용 전용 배포를 선택합니다. Minimum detection confidence 설정은 조건을 평가하기 전에 신뢰도가 낮은 감지 결과를 제외하므로, 신뢰도가 낮은 감지에도 워크플로가 반응하도록 하려면 값을 낮추세요.

4단계: Gate 블록에서 조건 설정하기#

Gate 블록은 후속 블록의 실행 여부를 결정합니다. Capture and Alert에서 Person detected 블록을 선택하고 설정을 확인합니다.

• Mode: Condition
• Detection model: Detect people
• Measure: Detection count
• Class name: person
• Condition: Greater than or equal
• Compare with: 1

클래스 이름을 모델의 클래스에 맞게 변경하거나 모든 클래스에 적용하려면 *을 사용합니다. 개수 대신 감지 신뢰도를 측정할 수도 있습니다. 평가하려는 감지 결과를 유지할 수 있도록 YOLO 블록의 최소 신뢰도를 충분히 낮게 설정하세요. 신뢰도 조건은 하나 이상의 감지 결과가 일치하면 통과하므로, 점수가 0.3과 0.9인 이미지도 0.25~0.5 범위 조건을 통과하며 감지 결과가 없는 이미지는 신뢰도 조건을 통과하지 않습니다. 조건이 일치하지 않으면 해당 이미지에 대해 연결된 작업이 실행되지 않습니다.

5단계: Slack 및 웹훅 구성하기#

Slack. Settings > Integrations에서 Slack을 한 번 연결합니다(팀 워크스페이스에서는 워크스페이스 관리자 또는 소유자가 설정). 그런 다음 Notify Slack 블록의 메시지를 편집합니다. 템플릿의 Person detected: {output}처럼 상위 블록의 결과를 포함하려면 {output}을 사용합니다. 이러한 워크플로 메시지는 Platform의 학습 및 배포 알림과 별개입니다(Slack 통합 문서).

Webhook. Add block을 클릭하고 Blocks 탭에서 Webhook을 선택한 다음, 기존 Slack 및 데이터셋 연결은 유지하면서 Person detected의 출력을 웹훅에 연결합니다. {"text": "{output}"}과 같이 JSON 본문을 수신하도록 구성된 공개 HTTPS 대상 URL을 입력합니다. Platform은 결과마다 Content-Type: application/json을 포함해 POST 요청 하나를 전송합니다. 본문은 최대 10,000자까지 가능하며, 리디렉션은 따라가지 않고, 연결은 5초 후 시간 초과되며, 2xx가 아닌 응답은 블록 실패로 처리됩니다. Webhook 블록은 종단 블록이므로 워크플로의 다음 단계로 결과를 전달하지 않습니다.

Gate 출력 하나를 여러 블록에 동시에 연결할 수 있으므로 Slack, 웹훅 및 데이터셋이 모두 동일한 평가 조건을 사용합니다. 블록이 실패하면 빨간색 테두리로 표시됩니다.

6단계: 재학습에 사용할 일치 이미지를 보관하기#

Captured images 블록을 선택하고 편집 가능한 기존 데이터셋을 지정합니다. 필요한 경우 먼저 데이터셋 생성 가이드를 따라 데이터셋을 만듭니다. 연결된 클라우드 스토리지 및 온프레미스 데이터셋은 대상으로 사용할 수 없으며, 일반 데이터셋 저장 용량 할당량이 적용됩니다. 조건에 일치하는 이미지는 라벨 없이 데이터셋의 학습 분할에 추가되며, 이미 데이터셋에 있는 이미지는 건너뜁니다. 데이터셋을 주석 편집기에서 열어 수집된 이미지를 검토하고 라벨을 지정한 다음, 다음 Platform 학습 실행에 사용합니다.

7단계: 실행, 저장 및 새 이미지에서 다시 실행하기#

Run 버튼 옆에서 실행 환경을 선택합니다.

워크플로에는 최대 20개의 블록을 사용할 수 있습니다. Slack 및 웹훅 작업은 모델 또는 제공업체 호출로 계산되며, 분기하면 이미지당 호출 횟수가 늘어날 수 있습니다. 실행 중에는 블록에 진행 상황이 표시되며, Stop을 클릭하여 실행을 취소할 수 있습니다.

입력 및 대상을 구성한 후 Run을 클릭합니다. 블록 결과를 확인한 다음 연결된 Slack 채널, 웹훅 수신기 및 대상 데이터셋을 확인합니다. 작업이 실행되지 않으면 YOLO가 사람을 감지했는지, Gate 조건이 일치했는지 확인하세요. 조건이 일치하지 않으면 연결된 작업은 실행되지 않습니다.

Save workflow를 클릭하여 워크플로 이름을 지정하고 나중에 Open workflow에서 다시 엽니다. 새 데이터에서 다시 실행하려면 저장된 워크플로를 열고 새 이미지나 다른 데이터셋을 선택한 다음 Run을 다시 클릭합니다. 워크플로를 저장해도 실행이 예약되지는 않습니다.

8단계: 두 번째 모델 연결하기#

"무슨 일이 일어나고 있나요?"와 "사람이 있나요?"를 모두 확인하려면 LLM 블록을 추가하고 Gate를 연결한 다음, LLM을 새로운 Output 블록에 연결합니다. YOLO → VLM Monitor 템플릿과 같은 패턴입니다. Gate는 YOLO 감지 결과를 평가하고, vision-language model은 조건을 통과한 이미지만 설명합니다. LLM 블록에서 vision-language model을 선택하고 프롬프트를 입력한 다음 Settings > API Keys에서 해당 제공업체의 키를 추가합니다(팀 워크스페이스에서는 워크스페이스 소유자가 키를 추가). 언어 모델 사용 요금은 해당 제공업체가 청구합니다. 이미 배포한 모델을 통해 추론 단계를 실행하려면 기존의 준비된 Platform 배포를 호출하는 Deployment 블록을 사용합니다.

9단계: 워크플로를 Python으로 내보내거나 API로 관리하기#

Python을 클릭하면 생성된 워크플로 코드를 확인할 수 있습니다. 로컬에서 실행하려면 ultralytics 및 ultralytics-platform 패키지를 설치하고, 필요한 제공업체 키를 환경에 설정한 다음 소스 입력을 선택합니다. 코드를 사용해 워크플로를 관리하는 팀은 Python SDK에서 client.agents(ultralytics-platform>=0.1.74)로 제공되는 Agents API를 사용하여 에이전트를 조회, 저장 및 삭제할 수 있습니다. Platform에서 실행을 시작하려면 캔버스에서 저장된 워크플로를 열고 Run을 클릭합니다.

다른 방법을 고려해야 하는 경우#

Agents는 이미지, 동영상 클립 및 데이터셋을 필요할 때 실행하는 이벤트 기반 검사에 적합합니다. 다른 작업에는 다음과 같은 접근 방식이 적합합니다.

• Python으로 직접 작성. 라이브 카메라 피드를 지속적으로 처리하려면 Ultralytics Python 패키지를 사용해 코드로 파이프라인을 구축하세요. 보안 경보 시스템 가이드에서는 Ultralytics YOLO26을 사용한 코드 기반 알림 프로젝트를 설명합니다.
• 멀티 스트림 동영상 파이프라인. NVIDIA는 DeepStream을 NVIDIA GPU에서 멀티 스트림, 멀티 모델 추론 파이프라인을 구축하기 위한 GStreamer 기반 프레임워크가 포함된 스트리밍 분석 툴킷으로 설명합니다.
• 범용 자동화 도구. Node-RED는 컴퓨터 비전 외의 폭넓은 자동화를 구축하는 팀을 위한 브라우저 기반 플로 에디터를 갖춘 플로 기반 프로그래밍 도구입니다.