Roboflow 통합으로 오픈 소스 컴퓨터 비전 데이터 세트에 쉽게 접근하여 Ultralytics YOLOv8의 맞춤형 학습을 어떻게 간소화할 수 있는지 알아보세요.
Roboflow 통합으로 오픈 소스 컴퓨터 비전 데이터 세트에 쉽게 접근하여 Ultralytics YOLOv8의 맞춤형 학습을 어떻게 간소화할 수 있는지 알아보세요.
Ultralytics YOLO11과 같은 컴퓨터 비전 모델을 훈련하는 것은 일반적으로 데이터 세트에 사용할 이미지를 수집하고, 어노테이션을 달고, 데이터를 준비하고, 특정 요구 사항을 충족하도록 모델을 미세 조정하는 과정을 포함합니다. Ultralytics Python 패키지를 사용하면 이러한 단계를 간단하고 사용자 친화적으로 수행할 수 있지만, Vision AI 개발은 여전히 시간이 많이 소요될 수 있습니다.
특히 촉박한 마감 기한 내에 작업을 진행하거나 프로토타입을 개발하는 경우에 더욱 그렇습니다. 이러한 상황에서는 데이터 세트 준비를 간소화하거나 반복적인 작업을 자동화하는 등 프로세스의 일부를 단순화하는 도구나 통합 기능이 큰 차이를 만들 수 있습니다. 필요한 시간과 노력을 줄임으로써 이러한 솔루션은 모델 구축 및 개선에 집중할 수 있도록 도와줍니다. Roboflow 통합 기능이 바로 이러한 이점을 제공합니다.
Roboflow 통합을 통해 대규모 오픈 소스 컴퓨터 비전 데이터 세트 라이브러리인 Roboflow Universe의 데이터 세트에 쉽게 액세스할 수 있습니다. 데이터 수집 및 구성에 시간을 소비하는 대신 기존 데이터 세트를 신속하게 찾아 사용하여 YOLO11 학습 프로세스를 빠르게 시작할 수 있습니다. 이 통합을 통해 컴퓨터 비전 모델 개발을 훨씬 빠르고 간단하게 실험하고 반복할 수 있습니다.
이 기사에서는 Roboflow 통합을 활용하여 모델 개발 속도를 높이는 방법에 대해 자세히 살펴봅니다. 시작해 보겠습니다!
Roboflow Universe는 컴퓨터 비전 개발을 단순화하는 데 주력하는 회사인 Roboflow에서 관리하는 플랫폼입니다. 객체 감지, 이미지 분류 및 분할과 같은 작업을 위해 3억 5천만 개 이상의 이미지, 500,000개의 데이터 세트, 100,000개의 미세 조정된 모델로 구성되어 있습니다. 전 세계 개발자 및 연구원의 기여로 Roboflow Universe는 컴퓨터 비전 프로젝트를 시작하거나 개선하려는 모든 사람을 위한 협업 허브입니다.
Roboflow Universe에는 다음과 같은 주요 기능이 포함되어 있습니다.
적합한 데이터 세트를 찾는 것은 컴퓨터 비전 모델을 구축하는 데 있어 가장 어려운 부분 중 하나입니다. 데이터 세트 생성에는 일반적으로 많은 양의 이미지를 수집하고, 해당 이미지가 작업과 관련이 있는지 확인한 다음, 정확하게 레이블을 지정하는 작업이 포함됩니다.
이 프로세스는 특히 짧은 기간에 다양한 접근 방식을 실험하는 경우 많은 시간과 리소스를 소모할 수 있습니다. 기존 데이터 세트를 찾는 것조차 어려울 수 있습니다. 데이터 세트가 여러 플랫폼에 흩어져 있고 제대로 문서화되지 않았거나 필요한 특정 주석이 부족한 경우가 많기 때문입니다.
예를 들어 농경지에서 잡초를 탐지하는 컴퓨터 비전 애플리케이션을 구축하는 경우 객체 탐지 대 인스턴스 분할과 같은 다양한 Vision AI 접근 방식을 테스트할 수 있습니다. 이를 통해 시간을 들여 직접 데이터 세트를 수집하고 레이블을 지정하기 전에 어떤 방법이 가장 효과적인지 실험하고 파악할 수 있습니다.
Roboflow 통합을 사용하면 잡초 감지, 작물 건강 또는 현장 모니터링에 중점을 둔 농업 관련 데이터 세트를 다양하게 찾아볼 수 있습니다. 이러한 즉시 사용 가능한 데이터 세트를 통해 자체 데이터를 생성하는 초기 노력 없이도 다양한 기술을 시도하고 모델을 개선할 수 있습니다.
이제 Roboflow 통합을 사용하여 적합한 데이터 세트를 찾는 방법을 논의했으니, 워크플로에 어떻게 적합한지 살펴보겠습니다. Roboflow Universe에서 데이터 세트를 선택했으면 YOLO11 형식으로 내보내거나 다운로드할 수 있습니다. 데이터 세트를 내보낸 후에는 Ultralytics Python 패키지를 사용하여 YOLO11을 사용자 정의 학습하는 데 사용할 수 있습니다.
데이터 세트를 다운로드하는 동안 Roboflow Universe가 다양한 모델 학습을 위해 다른 형식도 지원한다는 것을 알 수 있습니다. 그렇다면 왜 Ultralytics YOLO11을 커스텀 학습해야 할까요?
YOLO11은 Ultralytics YOLO 모델의 최신 버전이며 더 빠르고 정확한 객체 감지를 제공하도록 구축되었습니다. YOLOv8m보다 22% 더 적은 파라미터(예측을 위해 모델이 학습 중에 조정하는 내부 값)를 사용하면서도 COCO 데이터 세트에서 더 높은 평균 정밀도(mAP)를 달성합니다. 이러한 속도와 정밀도의 균형은 YOLO11을 광범위한 컴퓨터 비전 애플리케이션, 특히 특정 작업에 맞게 모델을 사용자 정의 학습할 때 다재다능한 선택으로 만듭니다.
다음은 YOLO11 사용자 정의 학습이 작동하는 방식에 대한 자세한 내용입니다.
Roboflow 통합을 살펴보면 Ultralytics 문서에 언급된 다른 통합 기능도 확인할 수 있습니다. Ultralytics는 다양한 컴퓨터 비전 개발 단계와 관련된 다양한 통합을 지원합니다.
이는 특정 워크플로우에 가장 적합한 것을 선택할 수 있도록 커뮤니티에 다양한 옵션을 제공하기 위함입니다.
데이터 세트 외에도 다른 Ultralytics 지원 통합 기능은 학습, 배포 및 최적화와 같은 컴퓨터 비전 프로세스의 다양한 부분에 중점을 둡니다. 다음은 당사에서 지원하는 다른 통합 기능의 몇 가지 예입니다.
컴퓨터 비전 개발을 지원하는 통합은 YOLO11의 안정적인 기능과 결합되어 실제 문제 해결을 더 쉽게 만듭니다. 생산 라인에서 금속 부품의 긁힘이나 누락된 구성 요소와 같은 결함을 감지하는 데 비전 AI가 사용되는 제조 분야의 컴퓨터 비전과 같은 혁신을 고려해 보세요. 이러한 작업에 적합한 데이터를 수집하는 것은 종종 느리고 어려울 수 있으며 특수 환경에 대한 접근이 필요합니다.
일반적으로 제품 이미지를 캡처하기 위해 생산 라인을 따라 카메라 또는 센서를 설정하는 작업이 포함됩니다. 이러한 이미지는 선명도와 균일성을 보장하기 위해 일관된 조명과 각도에서 대량으로 촬영해야 합니다.
일단 캡처되면 스크래치, 덴트 또는 누락된 구성 요소와 같은 모든 유형의 결함에 대해 정확한 레이블로 이미지를 꼼꼼하게 주석 처리해야 합니다. 이 프로세스는 데이터 세트가 실제 가변성을 정확하게 반영하도록 하기 위해 상당한 시간과 리소스는 물론 전문 지식이 필요합니다. 견고하고 신뢰할 수 있는 데이터 세트를 만들려면 다양한 결함 크기, 모양 및 재료와 같은 요소를 고려해야 합니다.
즉시 사용 가능한 데이터 세트를 제공하는 통합은 산업 품질 관리와 같은 작업을 용이하게 하며, YOLO11의 실시간 감지 기능을 통해 제조업체는 생산 라인을 모니터링하고, 결함을 즉시 포착하고, 효율성을 향상시킬 수 있습니다.
제조 외에도 데이터 세트와 관련된 통합은 다른 많은 산업 분야에서 사용될 수 있습니다. YOLO11의 속도와 정확성을 쉽게 액세스할 수 있는 데이터 세트와 결합함으로써 기업은 특정 요구 사항에 맞는 솔루션을 신속하게 개발하고 배포할 수 있습니다. 예를 들어 의료 분야에서 데이터 세트 통합은 의료 이미지를 분석하여 종양과 같은 이상 징후를 감지하는 솔루션을 개발하는 데 도움이 될 수 있습니다. 마찬가지로 자율 주행에서 이러한 통합은 차량, 보행자 및 교통 표지판을 식별하여 안전을 향상시키는 데 도움이 될 수 있습니다.
적합한 데이터 세트를 찾는 것은 컴퓨터 비전 모델을 구축하는 데 있어 가장 많은 시간이 소요되는 부분 중 하나입니다. 그러나 Roboflow 통합을 통해 컴퓨터 비전을 처음 접하는 경우에도 Ultralytics YOLO 모델의 사용자 정의 학습에 가장 적합한 데이터 세트를 더 쉽게 찾을 수 있습니다.
Roboflow Universe는 객체 탐지, 이미지 분류 또는 인스턴스 분할과 같은 컴퓨터 비전 작업을 위한 방대한 데이터 세트 컬렉션에 대한 액세스를 제공하여 데이터 검색 프로세스의 번거로움을 덜어줍니다. 이를 통해 신속하게 시작하고 데이터를 수집하고 구성하는 데 시간을 낭비하는 대신 모델 구축에 집중할 수 있습니다. 이 간소화된 접근 방식을 통해 개발자는 컴퓨터 비전 솔루션을 보다 효율적으로 프로토타입, 반복 및 개발할 수 있습니다.
자세한 내용은 GitHub 저장소를 방문하여 커뮤니티에 참여하십시오. 솔루션 페이지에서 자율 주행 자동차의 AI 및 농업 분야의 컴퓨터 비전과 같은 분야의 혁신을 살펴보세요. 🚀
.webp)