Ultralytics YOLO11 및 DVC를 사용한 실험 추적

기계가 시각 데이터를 해석하고 이해하도록 학습시키는 computer vision 실험을 추적하고 모니터링하는 것은 Ultralytics YOLO11과 같은 비전 AI 모델을 개발하고 미세 조정하는 데 있어 매우 중요한 부분입니다. 이러한 실험에는 종종 다양한 주요 파라미터를 테스트하고 여러 모델 학습 실행의 메트릭과 결과 를 로깅하는 작업이 포함됩니다. 이를 통해 모델 성능을 분석하고 데이터 기반의 모델 개선을 이룰 수 있습니다.

잘 정의된 실험 추적 시스템이 없으면, 결과를 비교하고 모델을 변경하는 과정이 복잡해지고 오류가 발생할 수 있습니다. 사실, 이 과정을 자동화하는 것은 더 나은 일관성을 보장할 수 있는 훌륭한 방법입니다.

이것이 바로 Ultralytics에서 지원하는 DVCLive integration이 추구하는 목표입니다. DVCLive는 실험 세부 정보를 자동으로 로깅하고, 결과를 시각화하며, 모델 성능 추적을 관리할 수 있는 간소화된 방법을 단일 워크플로 내에서 제공합니다.

이 글에서는 Ultralytics YOLO11을 학습시키는 동안 DVCLive integration을 사용하는 방법에 대해 논의합니다. 또한 그 이점과 더 나은 vision AI model 개발을 위해 실험 추적을 어떻게 더 쉽게 만들어주는지 살펴보겠습니다.

DVCLive란 무엇인가요?#

DVC(Data Version Control)에서 개발한 DVCLive는 머신러닝 실험 추적을 위해 설계된 신뢰할 수 있는 오픈 소스 도구입니다. DVCLive Python 라이브러리는 AI 개발자와 연구자가 실험의 지표와 파라미터를 추적할 수 있도록 실시간 실험 로거를 제공합니다.

예를 들어, 주요 모델 성능 지표를 자동으로 기록하고, 여러 학습 실행 간의 결과를 비교하며, 모델 성능을 시각화할 수 있습니다. 이러한 기능 덕분에 DVCLive는 체계적이고 재현 가능한 머신러닝 워크플로를 유지하도록 도와줍니다.

Fig 1. 실험 추적을 위한 DVCLive 대시보드 간략히 보기.

DVCLive의 주요 기능#

DVCLive integration은 사용하기 쉽고 명확하고 이해하기 쉬운 data visualizations 및 분석 도구를 제공하여 컴퓨터 비전 프로젝트를 개선할 수 있습니다. DVCLive의 다른 주요 기능은 다음과 같습니다:

• 다양한 프레임워크 지원: DVCLive는 다른 인기 있는 머신러닝 프레임워크와 함께 사용할 수 있습니다. 이를 통해 기존 워크플로에 쉽게 통합하고 실험 추적 기능을 향상할 수 있습니다.

• 대화형 플롯: 데이터로부터 대화형 플롯을 자동으로 생성하여 시간 경과에 따른 성능 지표를 시각적으로 나타낼 수 있습니다.

• 경량 설계: DVCLive는 가볍고 유연하며 접근성이 좋은 라이브러리로서, 다양한 프로젝트와 환경에서 사용할 수 있습니다.

왜 DVCLive 통합을 사용해야 하나요?#

Ultralytics documentation을 살펴보고 사용 가능한 integrations을 탐색하다 보면 "DVCLive integration의 차별점은 무엇이며, 왜 내 워크플로에 이를 선택해야 할까?"라는 의문이 들 수 있습니다.

메트릭 추적 및 결과 시각화 도구를 제공하는 TensorBoard 및 MLflow와 같은 integration이 있는 상황에서, 이 integration을 돋보이게 만드는 고유한 특성을 이해하는 것은 필수적입니다.

DVCLive가 Ultralytics YOLO 프로젝트에 이상적인 선택이 될 수 있는 이유는 다음과 같습니다:

• 최소한의 오버헤드: DVCLive는 추가적인 계산이나 저장 부하를 주지 않으면서 실험 지표를 기록하는 훌륭한 도구입니다. 로그를 일반 텍스트나 JSON 파일로 저장하므로 외부 서비스나 데이터베이스에 의존하지 않고도 기존 워크플로에 쉽게 통합할 수 있습니다.

• DVC와 네이티브 통합: DVC 팀이 만든 DVCLive는 DVC의 데이터 및 모델 버전 관리 시스템과 원활하게 작동합니다. 또한 데이터셋 버전, 모델 체크포인트, 파이프라인 변경 사항을 추적할 수 있어 이미 머신러닝 재현성을 위해 DVC를 사용하는 팀에 이상적입니다.

• Git 호환: DVCLive는 Git과 통합되어 변경 사항을 추적하고, 모델을 비교하며, 이전 버전으로 되돌리는 작업을 쉽게 할 수 있도록 하며 실험 데이터를 체계적이고 버전 관리 가능한 상태로 유지합니다.

DVCLive 시작하기#

DVCLive로 Ultralytics YOLO11 모델 학습을 추적하는 것은 생각보다 간단합니다. 필요한 라이브러리를 설치하고 구성하면 바로 YOLO11 모델의 커스텀 학습을 시작할 수 있습니다.

학습 후에는 정확도를 향상하기 위해 epochs(모델이 전체 데이터셋을 거치는 횟수), patience(개선이 없을 경우 중단하기까지 대기하는 시간), target image size(학습에 사용되는 이미지 해상도)와 같은 주요 설정을 조정할 수 있습니다. 그런 다음 DVCLive의 시각화 도구를 사용하여 다양한 모델 버전을 비교하고 성능을 분석할 수 있습니다.

모델 학습 프로세스와 모범 사례에 대한 더 자세한 이해를 위해 custom-training Ultralytics YOLO 모델에 대한 당사의 문서를 확인해 보세요.

다음으로, Ultralytics YOLO11을 커스텀 학습하는 동안 DVCLive 연동을 설치하고 사용하는 방법을 살펴보겠습니다.

요구 사항 설치#

YOLO11 학습을 시작하기 전에 Ultralytics Python package와 DVCLive를 모두 설치해야 합니다. 이 integration은 두 라이브러리가 기본적으로 원활하게 함께 작동하도록 설계되었으므로 복잡한 설정에 대해 걱정할 필요가 없습니다.

전체 설치 과정은 아래 이미지와 같이 Python 라이브러리 설치를 위한 패키지 관리 도구인 pip 명령 하나로 단 몇 분 만에 완료할 수 있습니다.

그림 2. Ultralytics 및 DVCLive 설치.

패키지를 설치한 후에는 환경을 설정하고 DVCLive가 원활하게 실행되도록 필요한 자격 증명을 추가할 수 있습니다. Git 리포지토리를 설정하면 코드 및 DVCLive 설정 변경 사항을 추적하는 데 도움이 됩니다.

자세한 단계별 지침과 기타 유용한 팁은 Installation Guide를 확인해 보세요. 필수 패키지를 설치하는 동안 문제가 발생하는 경우, Common Issues Guide에 도움을 줄 수 있는 해결책과 리소스가 마련되어 있습니다.

DVCLive를 사용한 실험 학습#

Ultralytics YOLO11 모델 학습 세션이 완료되면 시각화 도구를 사용하여 결과를 심층적으로 분석할 수 있습니다. 구체적으로, DVC의 API를 사용하여 데이터를 추출하고 분석과 비교를 위해 데이터를 테이블로 정리하는 등 데이터 작업을 쉽게 만들어 주는 Python 라이브러리인 pandas를 사용하여 데이터를 처리함으로써 더 쉽게 다루고 시각화할 수 있습니다.

결과를 더 대화형이고 시각적으로 탐색하려면 Plotly의 병렬 좌표 플롯(다양한 모델 파라미터와 성능 결과가 어떻게 연결되는지 보여주는 차트 유형)을 사용해 볼 수도 있습니다.

궁극적으로는 이러한 시각화에서 얻은 통찰력을 사용하여 모델 최적화, 하이퍼파라미터 튜닝 또는 전체 성능을 높이기 위한 기타 수정 사항에 대해 더 나은 결정을 내릴 수 있습니다.

Ultralytics YOLO11 및 DVCLive 연동의 활용 사례#

DVCLive 통합을 사용하여 Ultralytics YOLO11 학습 결과를 설치하고 시각화하는 방법을 배웠으므로, 이제 이 통합을 통해 향상시킬 수 있는 몇 가지 응용 분야를 살펴보겠습니다.

농업 및 정밀 농업#

농업과 작물 수확의 경우 정밀도가 큰 차이를 만들 수 있습니다. 예를 들어 농부들은 Ultralytics YOLO11의 object detection 및 인스턴스 세그멘테이션 지원을 활용하여 잠재적인 작물 질병을 식별하고, 가축을 추적하며, 해충 감염을 탐지할 수 있습니다.

특히 Ultralytics YOLO11은 드론이나 카메라의 이미지를 분석하여 식물 질병, 유해 해충 또는 건강하지 않은 가축의 초기 징후를 파악하는 데 도움을 줄 수 있습니다. 이러한 비전 AI 시스템을 통해 농부들은 문제가 확산되는 것을 막기 위해 신속하게 조치를 취함으로써 시간을 절약하고 손실을 줄일 수 있습니다.

Fig 3. YOLO11을 사용하여 작물을 모니터링하는 예시.

농장 환경은 날씨와 계절에 따라 끊임없이 변화하므로, 다양한 상황에서 모델이 잘 작동하는지 확인하기 위해 다양한 이미지로 테스트하는 것이 중요합니다. 농업 응용 분야를 위해 Ultralytics YOLO11을 커스텀 학습할 때 DVCLive 통합을 사용하면, 특히 다양한 데이터셋을 다룰 때 성능을 효과적으로 추적할 수 있습니다.

소매업에서의 고객 행동 분석#

소매점은 AI와 컴퓨터 비전을 사용하여 고객 행동을 파악하고 쇼핑 경험을 개선할 수 있습니다.

보안 카메라의 비디오를 분석함으로써 Ultralytics YOLO11은 매장 내 사람들의 이동 경로, 가장 유동 인구가 많은 구역, 그리고 쇼핑객들이 제품과 상호작용하는 방식을 추적할 수 있습니다. 이 데이터는 어떤 선반이 가장 많은 관심을 받는지, 고객들이 각 통로에서 얼마나 시간을 보내는지, 광고 디스플레이가 주목받고 있는지 보여주는 히트맵을 만드는 데 활용될 수 있습니다.

이러한 비즈니스 인텔리전스를 통해 매장 주인은 제품을 재배치하여 매출을 늘리고, 결제 대기 시간을 줄이며, 고객이 가장 필요로 하는 곳과 시간에 직원을 배치하도록 조정할 수 있습니다.

Fig 4. 쇼핑몰을 대상으로 Ultralytics YOLO11을 사용하여 생성한 히트맵의 예시.

소매점은 종종 다양한 조명 조건, 레이아웃, 군중 규모와 같은 고유한 특성을 가지고 있습니다. 이러한 차이점으로 인해 매장 활동을 분석하는 데 사용되는 컴퓨터 비전 모델은 정확성을 보장하기 위해 각 위치에 맞춰 신중하게 테스트되고 조정되어야 합니다. 예를 들어, DVCLive 통합은 Ultralytics YOLO11을 파인튜닝하는 데 도움을 주어 소매 응용 분야에서 더 정확하고 신뢰성 있게 만들며, 고객 행동 및 매장 운영에 대한 더 나은 인사이트를 제공합니다.

핵심 요약#

DVCLive 통합을 사용하면서 Ultralytics YOLO11을 커스텀 학습하면 컴퓨터 비전 실험을 추적하고 개선하기가 더 쉬워집니다. 중요한 세부 정보를 자동으로 기록하고, 명확한 시각적 결과를 보여주며, 모델의 다양한 버전을 비교하는 데 도움을 줍니다.

농장 생산성을 높이거나 매장의 쇼핑 경험을 향상하려는 경우, 이 통합을 통해 비전 AI 모델의 우수한 성능을 보장할 수 있습니다. 실험 추적을 통해 모델을 체계적으로 테스트, 개선 및 최적화하여 정확도와 성능을 지속적으로 향상할 수 있습니다.

our community에 참여하고 our GitHub repository를 탐색하여 비전 AI에 대해 더 알아보세요. 또한 our licensing options을 확인하여 컴퓨터 비전 프로젝트를 시작해 보세요. AI in manufacturing 또는 computer vision in self-driving과 같은 혁신에 관심이 있으신가요? 당사의 솔루션 페이지를 방문하여 더 많은 정보를 찾아보세요.