Ultralytics YOLO11 및 DVC를 활용한 실험 추적

머신이 시각 데이터를 해석하고 이해하도록 학습하는 컴퓨터 비전 실험을 추적하고 모니터링하는 일은 Ultralytics YOLO11과 같은 비전 AI 모델을 개발하고 미세 조정하는 데 중요한 부분입니다. 이러한 실험에는 다양한 주요 매개변수를 테스트하고 여러 모델 학습 실행에서 지표와 결과를 기록하는 작업이 포함되는 경우가 많습니다. 이렇게 하면 모델 성능을 분석하고 데이터 기반으로 모델을 개선하는 데 도움이 됩니다.

잘 정의된 실험 추적 시스템이 없으면 결과를 비교하고 모델을 변경하는 일이 복잡해져 오류가 발생할 수 있습니다. 실제로 이 프로세스를 자동화하면 일관성을 높일 수 있습니다.

Ultralytics가 지원하는 DVCLive 통합이 바로 이러한 작업을 수행합니다. DVCLive는 단일 워크플로 내에서 실험 세부 정보를 자동으로 기록하고, 결과를 시각화하며, 모델 성능 추적을 관리하는 간소화된 방법을 제공합니다.

이 글에서는 Ultralytics YOLO11을 학습할 때 DVCLive 통합을 사용하는 방법을 설명합니다. 또한 DVCLive의 이점과 더 나은 비전 AI 모델 개발을 위해 실험 추적을 더 쉽게 만드는 방법을 살펴봅니다.

DVCLive란 무엇인가요?#

DVC(데이터 버전 관리)가 만든 DVCLive는 머신러닝 실험을 추적하도록 설계된 신뢰할 수 있는 오픈 소스 도구입니다. DVCLive Python 라이브러리는 AI 개발자와 연구자가 실험의 지표와 매개변수를 추적할 수 있도록 지원하는 실시간 실험 로거를 제공합니다.

예를 들어 주요 모델 성능 지표를 자동으로 기록하고, 학습 실행 간 결과를 비교하며, 모델 성능을 시각화할 수 있습니다. 이러한 기능을 통해 DVCLive는 구조화되고 재현 가능한 머신러닝 워크플로를 유지하는 데 도움을 줍니다.

그림 1. 실험 추적을 위한 DVCLive 대시보드를 간단히 살펴봅니다.

DVCLive의 주요 기능#

DVCLive 통합은 사용하기 쉽고, 명확하고 이해하기 쉬운 데이터 시각화와 분석 도구를 제공하여 컴퓨터 비전 프로젝트를 개선할 수 있습니다. 다음은 DVCLive의 다른 주요 기능입니다.

• 다양한 프레임워크 지원: DVCLive는 다른 인기 머신러닝 프레임워크와 함께 사용할 수 있습니다. 따라서 기존 워크플로에 통합하고 실험 추적 기능을 개선하기가 간편합니다.

• 대화형 플롯: 데이터를 기반으로 대화형 플롯을 자동 생성하여 시간에 따른 성능 지표를 시각적으로 표현할 수 있습니다.

• 경량 설계: DVCLive는 다양한 프로젝트와 환경에서 사용할 수 있는 가볍고 유연하며 접근성이 높은 라이브러리입니다.

DVCLive 통합을 사용해야 하는 이유는 무엇인가요?#

Ultralytics 문서를 살펴보고 제공되는 통합 기능을 확인하다 보면 다음과 같은 질문이 생길 수 있습니다. DVCLive 통합의 차별점은 무엇이며, 내 워크플로에 이를 선택해야 하는 이유는 무엇일까요?

TensorBoard와 MLflow 같은 통합 기능도 지표 추적 및 결과 시각화 도구를 제공하므로, 이 통합을 돋보이게 하는 고유한 특성을 이해하는 것이 중요합니다.

DVCLive가 Ultralytics YOLO 프로젝트에 적합한 선택이 될 수 있는 이유는 다음과 같습니다.

• 최소한의 오버헤드: DVCLive는 추가적인 계산 또는 스토리지 부하 없이 실험 지표를 기록하는 데 유용한 도구입니다. 로그를 일반 텍스트 또는 JSON 파일로 저장하므로 외부 서비스나 데이터베이스에 의존하지 않고도 기존 워크플로에 쉽게 통합할 수 있습니다.

• DVC와의 네이티브 통합: DVC를 만든 팀이 개발한 DVCLive는 DVC의 데이터 및 모델 버전 관리 시스템과 원활하게 작동합니다. 또한 데이터셋 버전, 모델 체크포인트, 파이프라인 변경 사항을 추적할 수 있어 머신러닝 재현성을 위해 이미 DVC를 사용 중인 팀에 적합합니다.

• Git 호환: DVCLive는 Git과 통합되므로 실험 데이터를 체계적으로 정리하고 버전 관리하면서 변경 사항을 추적하고, 모델을 비교하며, 이전 버전으로 되돌리기 쉽습니다.

DVCLive 시작하기#

DVCLive를 사용하여 Ultralytics YOLO11 모델 학습을 추적하는 일은 예상보다 간단합니다. 필요한 라이브러리를 설치하고 구성하면 YOLO11 모델의 커스텀 학습을 바로 시작할 수 있습니다.

학습 후에는 정확도를 개선하기 위해 epochs(모델이 전체 데이터셋을 반복해서 학습하는 횟수), patience(개선이 없을 때 중지하기 전에 대기하는 시간), target image size(학습에 사용되는 이미지의 해상도)와 같은 주요 설정을 조정할 수 있습니다. 그런 다음 DVCLive의 시각화 도구를 사용하여 모델의 다양한 버전을 비교하고 성능을 분석할 수 있습니다.

모델 학습 프로세스와 모범 사례를 더 자세히 이해하려면 Ultralytics YOLO 모델의 커스텀 학습 문서를 확인해 보세요.

이제 Ultralytics YOLO11을 커스텀 학습할 때 DVCLive 통합을 설치하고 사용하는 방법을 단계별로 살펴보겠습니다.

요구 사항 설치#

YOLO11 학습을 시작하기 전에 Ultralytics Python 패키지와 DVCLive를 모두 설치해야 합니다. 이 통합은 두 라이브러리가 기본적으로 원활하게 함께 작동하도록 설계되었으므로 복잡한 구성을 걱정할 필요가 없습니다.

아래 이미지에 나와 있듯이 Python 라이브러리를 설치하는 패키지 관리 도구인 단일 pip 명령으로 전체 설치 프로세스를 몇 분 안에 완료할 수 있습니다.

그림 2. Ultralytics 및 DVCLive 설치

패키지를 설치한 후에는 환경을 설정하고 필요한 자격 증명을 추가하여 DVCLive가 원활하게 실행되도록 할 수 있습니다. 또한 Git 리포지토리를 설정하면 코드와 DVCLive 설정의 변경 사항을 추적하는 데 도움이 됩니다.

자세한 단계별 지침과 유용한 팁은 설치 가이드를 확인해 보세요. 필요한 패키지를 설치하는 동안 문제가 발생하면 일반적인 문제 가이드에서 해결 방법과 도움 되는 리소스를 확인할 수 있습니다.

DVCLive를 사용한 실험 학습#

Ultralytics YOLO11 모델 학습 세션이 완료되면 시각화 도구를 사용하여 결과를 심층적으로 분석할 수 있습니다. 특히 DVC의 API를 사용하여 데이터를 추출하고, 데이터를 더 쉽게 처리하고 시각화할 수 있도록 Pandas(분석 및 비교를 위해 데이터를 테이블로 구성하는 등 데이터 작업을 간편하게 해주는 Python 라이브러리)로 처리할 수 있습니다.

결과를 더 대화형이고 시각적인 방식으로 탐색하려면 Plotly의 평행 좌표 플롯(서로 다른 모델 매개변수와 성능 결과가 어떻게 연결되는지 보여주는 차트 유형)을 사용해 볼 수도 있습니다.

궁극적으로 이러한 시각화에서 얻은 인사이트를 활용하여 모델 최적화, 하이퍼파라미터 튜닝 또는 전반적인 성능 향상을 위한 기타 수정에 대해 더 나은 결정을 내릴 수 있습니다.

Ultralytics YOLO11 및 DVCLive 통합의 활용 분야#

이제 DVCLive 통합을 사용하여 Ultralytics YOLO11 학습 결과를 설치하고 시각화하는 방법을 알아보았으므로, 이 통합으로 개선할 수 있는 몇 가지 활용 분야를 살펴보겠습니다.

농업 및 정밀 농업#

농업과 식량 생산을 위한 작물 수확에서는 정밀성이 큰 차이를 만들 수 있습니다. 예를 들어 농부는 Ultralytics YOLO11의 객체 검출 및 인스턴스 세그멘테이션 지원을 활용하여 잠재적인 작물 질병을 식별하고, 가축을 추적하며, 해충 발생을 검출할 수 있습니다.

특히 Ultralytics YOLO11은 드론이나 카메라에서 수집한 이미지를 분석하여 식물 질병, 유해 해충 또는 건강하지 않은 동물의 초기 징후를 포착하는 데 도움을 줄 수 있습니다. 이러한 비전 AI 시스템을 통해 농부는 문제 확산을 신속하게 막고 시간과 손실을 줄일 수 있습니다.

그림 3. YOLO11을 사용하여 작물을 모니터링하는 예시입니다.

농장의 환경은 날씨와 계절에 따라 지속적으로 변하므로 다양한 상황에서 모델이 제대로 작동하는지 확인하려면 여러 종류의 이미지로 모델을 테스트하는 것이 중요합니다. 농업 애플리케이션을 위해 DVCLive 통합을 사용하여 Ultralytics YOLO11을 커스텀 학습하면 특히 다양한 데이터셋에서 모델 성능을 추적하는 데 효과적입니다.

소매점의 고객 행동 분석#

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

Ultralytics YOLO11은 보안 카메라 영상을 분석하여 사람들이 매장 안에서 어떻게 이동하는지, 어느 구역에 가장 많은 유동 인구가 발생하는지, 쇼핑객이 제품과 어떻게 상호작용하는지를 추적할 수 있습니다. 그런 다음 이 데이터를 사용하여 어떤 선반이 가장 많은 관심을 끄는지, 고객이 각 통로에 얼마나 오래 머무는지, 광고 디스플레이가 주목받고 있는지를 보여주는 히트맵을 만들 수 있습니다.

이러한 비즈니스 인텔리전스를 활용하면 매장 소유자는 판매를 늘리도록 제품을 재배치하고, 계산대 대기 줄의 처리 속도를 높이며, 고객이 가장 필요로 하는 장소와 시간에 지원할 수 있도록 인력을 조정할 수 있습니다.

그림 4. Ultralytics YOLO11을 사용하여 쇼핑몰용으로 생성한 히트맵 예시입니다.

소매점에는 조명 조건, 매장 배치, 방문객 수와 같이 고유한 특성이 있는 경우가 많습니다. 이러한 차이로 인해 매장 활동을 분석하는 데 사용되는 컴퓨터 비전 모델은 정확도를 보장하려면 각 위치에 맞게 신중하게 테스트하고 조정해야 합니다. 예를 들어 DVCLive 통합은 Ultralytics YOLO11을 미세 조정하여 소매 애플리케이션에서 더 정확하고 안정적으로 작동하도록 만들며, 고객 행동과 매장 운영에 대한 더 나은 인사이트를 제공할 수 있습니다.

핵심 요점#

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

농장의 생산성을 높이거나 매장의 쇼핑 경험을 개선하려는 경우에 관계없이 이 통합을 사용하면 비전 AI 모델이 제대로 작동하도록 할 수 있습니다. 실험 추적을 통해 모델을 체계적으로 테스트하고 개선하며 최적화할 수 있어 정확도와 성능을 지속적으로 향상할 수 있습니다.

커뮤니티에 참여하고 GitHub 리포지토리를 살펴보며 비전 AI에 대해 자세히 알아보세요. 또한 라이선스 옵션을 확인하여 컴퓨터 비전 프로젝트를 시작해 보세요. 제조 분야의 AI 또는 자율주행의 컴퓨터 비전과 같은 혁신에 관심이 있으신가요? 솔루션 페이지를 방문하여 더 자세히 알아보세요.