컴퓨터 비전 데이터셋을 활용한 Ultralytics YOLO11 커스텀 학습

Ultralytics YOLO11과 같은 컴퓨터 비전 모델을 학습하려면 일반적으로 데이터셋에 사용할 이미지를 수집하고, 이미지에 주석을 추가하고, 데이터를 준비한 후, 특정 요구 사항에 맞게 모델을 파인 튜닝해야 합니다. Ultralytics Python 패키지를 사용하면 이러한 단계를 간단하고 편리하게 수행할 수 있지만, 비전 AI 개발에는 여전히 많은 시간이 소요될 수 있습니다.

특히 일정이 촉박하거나 프로토타입을 개발하는 경우에는 시간이 더 많이 소요될 수 있습니다. 이러한 상황에서는 데이터셋 준비를 간소화하거나 반복 작업을 자동화하는 등 프로세스의 일부를 단순화하는 도구 또는 통합을 활용하면 큰 도움이 됩니다. 이러한 솔루션은 필요한 시간과 노력을 줄여 모델 구축과 개선에 집중할 수 있도록 지원합니다. 이것이 바로 Roboflow 통합이 제공하는 기능입니다.

Roboflow 통합을 사용하면 대규모 오픈 소스 컴퓨터 비전 데이터셋 라이브러리인 Roboflow Universe의 데이터셋에 쉽게 액세스할 수 있습니다. 데이터를 수집하고 정리하는 데 몇 시간을 들이는 대신, 기존 데이터셋을 빠르게 찾아 활용하여 Ultralytics YOLO11 학습 프로세스를 시작할 수 있습니다. 이 통합을 통해 컴퓨터 비전 모델 개발을 훨씬 더 빠르고 간편하게 실험하고 반복할 수 있습니다.

이 글에서는 더 빠른 모델 개발을 위해 Roboflow 통합을 활용하는 방법을 자세히 살펴보겠습니다. 시작해 보겠습니다!

Roboflow Universe란 무엇인가요?#

Roboflow Universe는 컴퓨터 비전 개발의 간소화에 주력하는 기업인 Roboflow가 운영하는 플랫폼입니다. 이 플랫폼에는 객체 감지, 이미지 분류, 세그멘테이션과 같은 작업에 사용할 수 있는 3억 5천만 개 이상의 이미지, 50만 개의 데이터셋, 10만 개의 파인 튜닝 모델이 포함되어 있습니다. 전 세계 개발자와 연구자들이 기여하는 Roboflow Universe는 컴퓨터 비전 프로젝트를 빠르게 시작하거나 개선하려는 모든 사용자를 위한 협업 허브입니다.

그림 1. Roboflow Universe의 객체 감지 데이터셋 예시입니다.

Roboflow Universe에는 다음과 같은 주요 기능이 포함되어 있습니다.

• 데이터셋 탐색 도구: 데이터셋을 탐색하고, 필터링하고, 시각화하여 프로젝트 요구 사항에 부합하는 리소스를 빠르게 찾을 수 있습니다.
• 내보내기 옵션: 워크플로에 맞게 COCO, YOLO, TFRecord, CSV 등의 형식으로 데이터를 내보낼 수 있습니다.
• 데이터셋 분석: 레이블 분포, 클래스 불균형, 데이터셋 품질을 시각화하는 분석 도구를 통해 다양한 데이터셋에 대한 인사이트를 얻을 수 있습니다.
• 버전 추적: 기여자가 업로드한 데이터셋의 여러 버전을 확인하고 액세스할 수 있으므로 업데이트를 추적하고 변경 사항을 비교하며 프로젝트 요구 사항에 가장 적합한 버전을 선택할 수 있습니다.

Roboflow 통합은 적합한 데이터를 찾는 데 도움을 줍니다#

적합한 데이터셋을 찾는 일은 컴퓨터 비전 모델을 구축할 때 가장 어려운 부분 중 하나인 경우가 많습니다. 데이터셋을 생성하려면 일반적으로 많은 양의 이미지를 수집하고, 이미지가 작업과 관련이 있는지 확인한 다음, 정확하게 레이블을 지정해야 합니다.

특히 짧은 기간에 다양한 접근 방식을 실험하는 경우 이 프로세스에 많은 시간과 리소스가 소요될 수 있습니다. 기존 데이터셋을 찾는 일도 쉽지 않을 수 있습니다. 데이터셋이 여러 플랫폼에 흩어져 있거나 문서화가 제대로 되어 있지 않거나, 필요한 특정 주석이 없을 수 있기 때문입니다.

예를 들어 농경지에서 잡초를 감지하는 컴퓨터 비전 애플리케이션을 구축한다면 객체 감지와 인스턴스 세그멘테이션처럼 서로 다른 비전 AI 접근 방식을 테스트할 수 있습니다. 이를 통해 직접 데이터셋을 수집하고 레이블을 지정하는 데 시간과 노력을 들이기 전에 어떤 방법이 가장 적합한지 실험하고 확인할 수 있습니다.

그림 2. Ultralytics YOLO11을 사용한 자동차 부품 감지입니다.

Roboflow 통합을 사용하면 잡초 감지, 작물 상태, 밭 모니터링 등에 초점을 맞춘 농업 관련 다양한 데이터셋을 탐색할 수 있습니다. 바로 사용할 수 있는 이러한 데이터셋을 통해 직접 데이터를 만드는 데 필요한 초기 작업 없이 다양한 기법을 시도하고 모델을 개선할 수 있습니다.

Roboflow 통합의 작동 방식#

이제 Roboflow 통합을 사용하여 적합한 데이터셋을 찾는 방법을 살펴보았으므로, 이 통합이 워크플로에 어떻게 적용되는지 알아보겠습니다. Roboflow Universe에서 데이터셋을 선택한 후 YOLO11 형식으로 내보내거나 다운로드할 수 있습니다. 데이터셋을 내보낸 다음에는 Ultralytics Python 패키지를 사용하여 해당 데이터셋으로 YOLO11을 커스텀 학습할 수 있습니다.

데이터셋을 다운로드하는 동안 Roboflow Universe가 다른 모델의 학습을 위한 다른 형식도 지원한다는 점을 알게 될 수 있습니다. 그렇다면 Ultralytics YOLO11을 커스텀 학습해야 하는 이유는 무엇일까요?

YOLO11은 최신 버전의 Ultralytics YOLO 모델로, 더 빠르고 정확한 객체 감지를 제공하도록 설계되었습니다. YOLOv8m보다 파라미터(예측을 수행하기 위해 모델이 학습 중 조정하는 내부 값)가 22% 적지만, COCO 데이터셋에서 더 높은 평균 정밀도(mAP)를 달성합니다. 이러한 속도와 정밀도의 균형 덕분에 YOLO11은 다양한 컴퓨터 비전 애플리케이션에 적합한 유연한 선택지이며, 특히 특정 작업에 맞게 모델을 커스텀 학습할 때 유용합니다.

Ultralytics YOLO11 커스텀 학습이 작동하는 방식을 자세히 살펴보겠습니다.

• 데이터 입력: Ultralytics YOLO11 모델은 데이터셋을 처리하면서 이미지와 해당 주석을 바탕으로 객체를 감지하고 분류하는 방법을 학습합니다.
• 예측 및 피드백: 모델은 이미지 속 객체를 예측하고, 그 결과를 데이터셋에 제공된 정답과 비교합니다.
• 성능 추적: 정밀도(정확한 감지), 재현율(놓친 감지), 손실(예측 오류)과 같은 메트릭을 모니터링하여 진행 상황을 평가합니다.
• 반복 학습: 모델은 여러 라운드(에포크)에 걸쳐 파라미터를 조정하여 감지 정확도를 높이고 오류를 최소화합니다.
• 최종 모델 출력: 학습이 완료되면 최적화된 모델이 저장되고 배포할 준비가 됩니다.

컴퓨터 비전 개발에 초점을 맞춘 기타 통합#

Roboflow 통합을 살펴보면 Ultralytics 문서에 언급된 다른 통합도 확인할 수 있습니다. Ultralytics는 컴퓨터 비전 개발의 다양한 단계와 관련된 여러 통합을 지원합니다.

이는 커뮤니티에 다양한 옵션을 제공하여 각자의 특정 워크플로에 가장 적합한 솔루션을 선택할 수 있도록 하기 위한 것입니다.

그림 3. Ultralytics에서 지원하는 통합 개요입니다.

데이터셋 외에도 다양한 Ultralytics 지원 통합이 학습, 배포, 최적화 등 컴퓨터 비전 프로세스의 여러 부분에 초점을 맞춥니다. Ultralytics가 지원하는 다른 통합의 몇 가지 예시는 다음과 같습니다.

• 학습 통합: Amazon SageMaker 및 Paperspace Gradient와 같은 통합은 효율적인 모델 개발과 테스트를 위한 클라우드 기반 플랫폼을 제공하여 학습 워크플로를 간소화합니다.
• 워크플로 및 실험 추적 통합: ClearML, MLflow, Weights & Biases (W&B)는 워크플로를 자동화하고, 실험을 추적하고, 협업을 개선하여 머신 러닝 프로젝트를 더 쉽게 관리할 수 있도록 지원합니다.
• 최적화 및 배포 통합: CoreML, ONNX, OpenVINO는 다양한 디바이스와 프레임워크에서 최적화된 배포를 지원하여 Apple 하드웨어 및 Intel CPU와 같은 플랫폼에서 효율적인 성능을 보장합니다.
• 모니터링 및 시각화 통합: TensorBoard와 Weights & Biases는 학습 진행 상황을 시각화하고 성능을 모니터링하는 도구를 제공하여 모델 개선을 위한 상세한 인사이트를 제공합니다.

Ultralytics YOLO11 애플리케이션과 통합의 역할#

컴퓨터 비전 개발을 지원하는 통합과 Ultralytics YOLO11의 안정적인 기능을 결합하면 실제 문제를 더 쉽게 해결할 수 있습니다. 생산 라인의 금속 부품에 난 흠집이나 누락된 부품과 같은 결함을 감지하는 데 비전 AI를 사용하는 제조 분야의 컴퓨터 비전과 같은 혁신 사례를 생각해 보겠습니다. 이러한 작업에 적합한 데이터를 수집하는 일은 전문 환경에 대한 접근이 필요하기 때문에 느리고 어려운 경우가 많습니다.

일반적으로 생산 라인을 따라 카메라나 센서를 설치하여 제품 이미지를 캡처해야 합니다. 선명도와 균일성을 확보하려면 대개 일관된 조명과 각도에서 대량의 이미지를 촬영해야 합니다.

이미지를 캡처한 후에는 흠집, 찌그러짐, 누락된 부품 등 모든 유형의 결함에 대해 정밀한 레이블을 사용하여 세심하게 주석을 추가해야 합니다. 데이터셋이 실제 환경의 변동성을 정확하게 반영하도록 하려면 전문 지식뿐만 아니라 상당한 시간과 리소스가 필요합니다. 견고하고 신뢰할 수 있는 데이터셋을 만들려면 결함의 크기, 형태, 소재가 서로 다른 경우와 같은 요소를 고려해야 합니다.

바로 사용할 수 있는 데이터셋을 제공하는 통합은 산업 품질 관리와 같은 작업을 용이하게 하며, Ultralytics YOLO11의 실시간 감지 기능을 활용하면 제조업체가 생산 라인을 모니터링하고 결함을 즉시 발견하여 효율성을 개선할 수 있습니다.

그림 4. Ultralytics YOLO11을 사용하여 제조 중인 캔을 감지하고 개수를 세는 예시입니다.

제조 분야 외에도 데이터셋 관련 통합은 다양한 산업에서 활용할 수 있습니다. Ultralytics YOLO11의 속도와 정확도를 쉽게 액세스할 수 있는 데이터셋과 결합하면 기업은 특정 요구 사항에 맞는 솔루션을 빠르게 개발하고 배포할 수 있습니다. 예를 들어 의료 분야에서는 데이터셋 통합을 통해 의료 이미지를 분석하여 종양과 같은 이상을 감지하는 솔루션을 개발할 수 있습니다. 마찬가지로 자율주행에서는 이러한 통합을 통해 차량, 보행자, 교통 표지판을 식별하여 안전성을 높일 수 있습니다.

핵심 요점#

적합한 데이터셋을 찾는 일은 컴퓨터 비전 모델을 구축할 때 가장 많은 시간이 소요되는 부분 중 하나인 경우가 많습니다. 그러나 Roboflow 통합을 사용하면 컴퓨터 비전을 처음 접하는 경우에도 Ultralytics YOLO 모델을 커스텀 학습하는 데 가장 적합한 데이터셋을 더 쉽게 찾을 수 있습니다.

Roboflow Universe는 객체 감지, 이미지 분류, 인스턴스 세그멘테이션과 같은 컴퓨터 비전 작업을 위한 방대한 데이터셋 컬렉션에 액세스할 수 있도록 하여 데이터 탐색 프로세스의 번거로움을 덜어줍니다. 이를 통해 빠르게 시작하고 데이터를 수집하고 정리하는 대신 모델 구축에 집중할 수 있습니다. 이러한 간소화된 접근 방식은 개발자가 컴퓨터 비전 솔루션을 더욱 효율적으로 프로토타이핑하고, 반복하고, 개발할 수 있도록 지원합니다.

자세한 내용은 GitHub 저장소를 방문하여 커뮤니티에 참여해 보세요. 솔루션 페이지에서 자율주행 자동차의 AI 및 농업 분야의 컴퓨터 비전과 같은 분야의 혁신을 살펴보세요. 🚀