내장 학습 런타임
플랫폼이 직접 빌드하는 YOLO · RF-DETR · Pointcept(PTv3) 런타임과 각자 받는 데이터
외부 이미지를 가져오지 않아도, 플랫폼에는 직접 빌드해 쓰는 학습 런타임 세 가지가 있습니다. 이것들도 이 절의 계약과 같은 계약으로 돕니다. 내장 트레이너라고 다른 규칙을 쓰지 않습니다. 새 트레이너를 만들 때 참고 구현으로 보면 좋습니다.
프레임워크 하나 = 런타임 이미지 하나 입니다. 의존성이 서로 다른 프레임워크를 한 이미지에 넣지 않습니다. 변형을 만들 때 프레임워크를 고르고, 나중에 바꿀 수 없습니다.
| 프레임워크 | 태스크 | 모델 변형(마법사 3단계) | 데이터 | GPU |
|---|---|---|---|---|
| YOLO (ultralytics) | 객체 탐지 | yolo26n · yolo12n · yolo12s · yolo11n · yolo11s | 이미지 + 어노테이션 | 선택 |
| 인스턴스 분할 | yolo11n-seg · yolo11s-seg · yolo11m-seg | 이미지 + 폴리곤 어노테이션 | 선택 | |
| RF-DETR | 객체 탐지 | rf-detr-nano · -small · -medium · -large | 이미지 + 어노테이션 | 선택 |
| 인스턴스 분할 | rf-detr-seg-nano · -small · -medium | 이미지 + 폴리곤 어노테이션 | 선택 | |
| Pointcept (PTv3) | 의미 분할 | pt-v3 | PLY 포인트클라우드 | 필수 |
무엇이 다른가
| YOLO | RF-DETR | Pointcept | |
|---|---|---|---|
| Dockerfile | Dockerfile | Dockerfile.rfdetr | Dockerfile.pointcept (2단계 빌드) |
| 고정 버전 | ultralytics 8.4.68 | rfdetr 1.9.4 | Pointcept 특정 커밋, torch 2.9.1 |
| 만드는 학습 데이터 | YOLO 라벨 (images/labels/{train,val} + data.yaml) | COCO ({train,valid}/_annotations.coco.json, 카테고리 id 1부터) | {train,val}/{scene}/{coord,color,segment}.npy |
| 라벨 출처 | COCO · LabelMe · VOC 어노테이션 | 같음 | PLY 안의 정수 속성 |
| 사전학습 가중치 위치 | 작업 디렉터리(/geo) | RF_HOME(/geo/work/weights) | 해당 없음 |
- 세 트레이너 모두
GEO_WORK_DIR에 자기 형식의 데이터셋을 만들고, 이미지는 복사하지 않고 심볼릭 링크로 연결합니다(/geo/dataset이 읽기 전용이라 복사할 이유가 없습니다). 포인트클라우드만.ply를.npy로 변환합니다. - 폴리곤이 없는 라벨은 분할 학습에서 bbox 사각형으로 대신 씁니다.
- Pointcept 는 CUDA 전용 확장을 쓰므로 GPU 없이 제출하면 제출 단계에서 거절됩니다.
- 포인트클라우드의 라벨 속성은 이름에
label·class·segment·semantic이 들어간 정수 속성, 없으면 좌표가 아닌 첫 정수 속성입니다. 값이 모두 정수인 float 속성도 정수로 읽습니다.
쓰려면
내장 런타임은 이미지를 게시(클러스터 안에서 빌드해 레지스트리에 push)해야 학습에 쓰입니다. 테넌트 관리자가 학습 런타임 에서 프레임워크별 변형을 만들고 게시하거나, 시스템 관리자가 공유 이미지로 나눠 줍니다. 자세한 절차는 관리자 가이드 에 있습니다.