컴퓨터 비전 데이터셋을 활용한 Ultralytics YOLO11 맞춤형 학습

Ultralytics YOLO11과 같은 컴퓨터 비전 모델을 학습하려면 일반적으로 데이터셋을 위한 이미지를 수집하고, 이를 주석 처리(annotating)하며, 데이터를 준비하고, 특정 요구 사항을 충족하도록 모델을 파인튜닝하는 과정이 필요합니다. Ultralytics Python 패키지를 사용하면 이러한 단계를 간단하고 사용자 친화적으로 진행할 수 있지만, 여전히 비전 AI 개발에는 많은 시간이 소요될 수 있습니다.

이는 특히 촉박한 마감 기한 내에 작업하거나 프로토타입을 개발할 때 더욱 그렇습니다. 이러한 상황에서는 데이터셋 준비를 간소화하거나 반복적인 작업을 자동화하는 등 프로세스 일부를 단순화하는 도구 또는 통합 기능을 활용하면 큰 차이를 만들 수 있습니다. 이러한 솔루션은 시간과 노력을 절약하여 모델 구축 및 개선 작업에 집중할 수 있도록 돕습니다. 이것이 바로 Roboflow 통합 기능이 제공하는 이점입니다.

Roboflow 통합을 사용하면 대규모 오픈 소스 컴퓨터 비전 데이터셋 라이브러리인 Roboflow Universe의 데이터셋에 쉽게 액세스할 수 있습니다. 데이터를 수집하고 정리하는 데 몇 시간을 소비하는 대신, 기존 데이터셋을 빠르게 찾아 사용하여 YOLO11 학습 프로세스를 즉시 시작할 수 있습니다. 이 통합 기능을 사용하면 컴퓨터 비전 모델 개발을 위한 실험과 반복 작업이 훨씬 더 빠르고 간단해집니다.

이번 글에서는 Roboflow 통합을 활용하여 모델 개발 속도를 높이는 방법을 자세히 알아보겠습니다. 시작해 보겠습니다!

Link to this sectionRoboflow Universe란 무엇인가요?#

Roboflow Universe는 컴퓨터 비전 개발을 간소화하는 데 중점을 둔 기업인 Roboflow에서 유지 관리하는 플랫폼입니다. 이곳은 객체 탐지, 이미지 분류, 세그멘테이션과 같은 작업을 위해 3억 5천만 개 이상의 이미지, 50만 개의 데이터셋, 10만 개의 파인튜닝된 모델로 구성되어 있습니다. 전 세계 개발자와 연구자들의 기여를 통해 운영되는 Roboflow Universe는 컴퓨터 비전 프로젝트를 시작하거나 향상하려는 모든 이를 위한 협업 허브 역할을 합니다.

그림 1. Roboflow Universe의 객체 탐지 데이터셋 예시.

Roboflow Universe에는 다음과 같은 주요 기능이 포함되어 있습니다:

• 데이터셋 탐색 도구: 데이터셋을 탐색, 필터링 및 시각화하여 프로젝트 요구 사항에 맞는 리소스를 빠르게 찾을 수 있습니다.
• 내보내기 옵션: 워크플로우에 맞게 COCO, YOLO, TFRecord, CSV 등의 형식으로 데이터를 내보낼 수 있습니다.
• 데이터셋 분석: 레이블 분포, 클래스 불균형, 데이터셋 품질 등을 시각화하는 분석 도구를 사용하여 다양한 데이터셋에 대한 인사이트를 얻을 수 있습니다.
• 버전 추적: 기여자가 업로드한 데이터셋의 다양한 버전을 확인하고 액세스할 수 있으며, 업데이트를 추적하고 변경 사항을 비교하여 프로젝트 요구 사항에 가장 적합한 버전을 선택할 수 있습니다.

Link to this sectionRoboflow 통합을 통해 적합한 데이터를 찾는 방법#

적합한 데이터셋을 찾는 것은 컴퓨터 비전 모델을 구축할 때 가장 어려운 부분 중 하나입니다. 일반적으로 데이터셋을 생성하려면 대량의 이미지를 수집하고, 작업과의 관련성을 확인한 다음, 정확하게 레이블을 지정해야 합니다.

이 과정은 특히 짧은 기간 동안 다양한 접근 방식을 실험할 때 많은 시간과 리소스를 소모할 수 있습니다. 기존 데이터셋을 찾는 것조차 플랫폼마다 흩어져 있거나 제대로 문서화되지 않았거나 필요한 특정 주석이 부족한 경우가 많아 까다로울 수 있습니다.

예를 들어, 농경지에서 잡초를 탐지하는 컴퓨터 비전 애플리케이션을 구축하는 경우, 객체 탐지와 인스턴스 세그멘테이션과 같은 다양한 비전 AI 접근 방식을 테스트하고 싶을 수 있습니다. 이를 통해 직접 데이터셋을 수집하고 레이블을 지정하는 데 시간과 노력을 들이기 전에 어떤 방법이 가장 효과적인지 실험하고 파악할 수 있습니다.

그림 2. YOLO11을 사용한 자동차 부품 탐지.

Roboflow 통합을 사용하면 잡초 탐지, 작물 건강 상태, 현장 모니터링에 중점을 둔 데이터셋을 포함하여 농업 관련 다양한 데이터셋을 탐색할 수 있습니다. 이러한 바로 사용 가능한 데이터셋을 통해 직접 데이터를 생성하는 사전 노력 없이도 다양한 기술을 시험하고 모델을 개선할 수 있습니다.

Link to this sectionRoboflow 통합의 작동 원리#

이제 Roboflow 통합을 사용하여 적합한 데이터셋을 찾는 방법을 살펴보았으니, 이것이 워크플로우에 어떻게 적용되는지 알아보겠습니다. Roboflow Universe에서 데이터셋을 선택한 후, YOLO11 형식으로 내보내거나 다운로드할 수 있습니다. 데이터셋을 내보낸 후에는 Ultralytics Python 패키지를 사용하여 YOLO11을 맞춤형으로 학습할 수 있습니다.

데이터셋을 다운로드할 때 Roboflow Universe가 다른 모델 학습을 위한 형식도 지원한다는 점을 알게 될 것입니다. 그렇다면 왜 Ultralytics YOLO11을 선택하여 맞춤형 학습을 진행해야 할까요?

YOLO11은 Ultralytics YOLO 모델의 최신 버전으로, 더 빠르고 정확한 객체 탐지를 제공하도록 설계되었습니다. YOLOv8m보다 22% 적은 파라미터(예측을 위해 모델이 학습 중 조정하는 내부 값)를 사용하면서도 COCO 데이터셋에서 더 높은 mAP(mean average precision)를 달성합니다. 이러한 속도와 정밀도의 균형 덕분에 YOLO11은 특정 작업에 맞게 모델을 맞춤형으로 학습할 때 다양한 컴퓨터 비전 애플리케이션을 위한 다재다능한 선택지가 됩니다.

YOLO11 맞춤형 학습의 작동 방식에 대한 자세한 내용은 다음과 같습니다:

• 데이터 피딩: YOLO11 모델은 데이터셋을 처리하며 이미지와 해당 주석으로부터 객체를 탐지하고 분류하는 방법을 학습합니다.
• 예측 및 피드백: 모델은 이미지 내 객체에 대해 예측을 수행하고 이를 데이터셋에서 제공된 정답과 비교합니다.
• 성능 추적: 정밀도(정확한 탐지), 재현율(놓친 탐지), 손실(예측 오류)과 같은 지표를 모니터링하여 학습 진행 상황을 평가합니다.
• 반복 학습: 모델은 여러 차례(에폭)에 걸쳐 파라미터를 조정하여 탐지 정확도를 개선하고 오류를 최소화합니다.
• 최종 모델 출력: 학습이 완료되면 최적화된 모델이 저장되어 배포할 준비가 됩니다.

Link to this section컴퓨터 비전 개발에 초점을 맞춘 기타 통합 기능#

Roboflow 통합을 탐색하다 보면 Ultralytics 문서에 언급된 다른 통합 기능도 확인할 수 있습니다. 당사는 컴퓨터 비전 개발의 다양한 단계와 관련된 여러 통합을 지원합니다.

이는 커뮤니티에 다양한 옵션을 제공하여 사용자가 자신의 특정 워크플로우에 가장 적합한 것을 선택할 수 있도록 하기 위함입니다.

그림 3. Ultralytics에서 지원하는 통합 개요.

데이터셋 외에도 다른 Ultralytics 지원 통합은 학습, 배포 및 최적화와 같은 컴퓨터 비전 프로세스의 여러 부분에 중점을 둡니다. 당사가 지원하는 다른 통합 사례는 다음과 같습니다:

• 학습 통합: Amazon SageMaker 및 Paperspace Gradient와 같은 통합은 효율적인 모델 개발 및 테스트를 위한 클라우드 기반 플랫폼을 제공하여 학습 워크플로우를 간소화합니다.
• 워크플로우 및 실험 추적 통합: ClearML, MLflow 및 Weights & Biases (W&B)는 워크플로우 자동화, 실험 추적 및 협업 개선을 지원하여 머신 러닝 프로젝트 관리를 용이하게 합니다.
• 최적화 및 배포 통합: CoreML, ONNX 및 OpenVINO는 다양한 장치와 프레임워크 전반에서 최적화된 배포를 가능하게 하여 Apple 하드웨어 및 Intel CPU와 같은 플랫폼에서 효율적인 성능을 보장합니다.
• 모니터링 및 시각화 통합: TensorBoard 및 Weights & Biases는 학습 진행 상황을 시각화하고 성능을 모니터링하여 모델 개선을 위한 상세한 인사이트를 제공하는 도구를 제공합니다.

Link to this sectionYOLO11 애플리케이션과 통합의 역할#

컴퓨터 비전 개발을 지원하는 통합 기능은 YOLO11의 신뢰할 수 있는 기능과 결합되어 실제 문제를 해결하기 더 쉽게 만듭니다. 제조 분야의 컴퓨터 비전과 같은 혁신을 고려해 보십시오. 이곳에서는 비전 AI를 사용하여 금속 부품의 흠집이나 누락된 부품과 같이 생산 라인의 결함을 탐지합니다. 이러한 작업을 위한 적절한 데이터를 수집하는 것은 종종 느리고 까다로우며, 전문적인 환경에 대한 액세스가 필요합니다.

이는 일반적으로 생산 라인을 따라 카메라나 센서를 설치하여 제품 이미지를 캡처하는 과정을 포함합니다. 이러한 이미지는 선명도와 통일성을 보장하기 위해 종종 일관된 조명과 각도 아래에서 대량으로 촬영되어야 합니다.

캡처된 이미지는 흠집, 찍힘, 누락된 부품 등 모든 유형의 결함에 대해 정확한 레이블로 꼼꼼하게 주석 처리되어야 합니다. 이 과정은 데이터셋이 실제 환경의 변동성을 정확하게 반영하도록 하기 위해 상당한 시간과 리소스, 전문 지식을 필요로 합니다. 강력하고 신뢰할 수 있는 데이터셋을 만들려면 결함 크기, 모양, 재질과 같은 요소들이 고려되어야 합니다.

기성 데이터셋을 제공하는 통합 기능은 산업 품질 관리와 같은 작업을 용이하게 하며, YOLO11의 실시간 탐지 기능을 통해 제조업체는 생산 라인을 모니터링하고 결함을 즉시 포착하여 효율성을 높일 수 있습니다.

그림 4. Ultralytics YOLO11을 사용하여 제조 중인 캔을 탐지하고 계산하는 예시.

제조업 외에도 데이터셋 관련 통합은 다른 많은 산업 분야에서 사용될 수 있습니다. YOLO11의 속도와 정확성을 쉽게 액세스할 수 있는 데이터셋과 결합함으로써 기업은 특정 요구 사항에 맞춘 솔루션을 신속하게 개발하고 배포할 수 있습니다. 예를 들어 헬스케어 분야의 경우, 데이터셋 통합을 통해 의료 이미지를 분석하여 종양과 같은 이상 징후를 탐지하는 솔루션을 개발할 수 있습니다. 마찬가지로 자율 주행 분야에서도 차량, 보행자, 교통 표지판을 식별하여 안전성을 높이는 데 이러한 통합이 도움을 줄 수 있습니다.

Link to this section핵심 요약#

적합한 데이터셋을 찾는 것은 컴퓨터 비전 모델 구축 과정에서 가장 시간이 많이 소요되는 작업 중 하나입니다. 그러나 Roboflow 통합을 사용하면 컴퓨터 비전이 처음인 경우에도 Ultralytics YOLO 모델을 맞춤형으로 학습하기 위한 최상의 데이터셋을 더 쉽게 찾을 수 있습니다.

객체 탐지, 이미지 분류, 인스턴스 세그멘테이션과 같은 컴퓨터 비전 작업을 위한 방대한 데이터셋 컬렉션에 액세스할 수 있는 Roboflow Universe는 데이터 발견 과정의 번거로움을 해결합니다. 이는 사용자가 데이터를 수집하고 정리하는 데 시간을 낭비하는 대신 빠르게 시작하여 모델 구축에 집중할 수 있도록 돕습니다. 이러한 간소화된 접근 방식은 개발자가 컴퓨터 비전 솔루션을 더 효율적으로 프로토타이핑하고, 반복 개선하며, 개발할 수 있는 역량을 제공합니다.

자세한 내용은 GitHub 저장소를 방문하여 커뮤니티와 소통해 보십시오. 솔루션 페이지에서 자율 주행 자동차의 AI 및 농업 분야의 컴퓨터 비전과 같은 분야의 혁신을 탐색해 보시기 바랍니다. 🚀