Ultralytics YOLO11 및 DVC를 활용한 실험 추적

기계가 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 여러 핵심 매개변수를 테스트하고 여러 모델 학습 실행에서 지표와 결과를 기록하는 작업이 포함되는 경우가 많습니다. 이를 통해 모델 성능을 분석하고 데이터를 기반으로 모델을 개선할 수 있습니다.

체계적인 실험 추적 시스템이 없으면 결과를 비교하고 모델을 수정하는 과정이 복잡해져 오류가 발생할 수 있습니다. 실제로 이 프로세스를 자동화하면 일관성을 높일 수 있습니다.

Ultralytics가 지원하는 DVCLive 통합은 바로 이러한 문제를 해결하기 위한 것입니다. 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 살펴보겠습니다. 또한 더 나은 비전 AI 모델 개발을 위해 DVCLive가 제공하는 이점과 실험 추적을 간편하게 만드는 방법도 알아보겠습니다.

DVCLive란 무엇인가요?#

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

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

그림 1. DVCLive의 실험 추적 대시보드를 간단히 살펴봅니다.

DVCLive의 주요 기능#

DVCLive 통합은 사용하기 쉽고 명확하고 이해하기 쉬운 데이터 시각화와 분석 도구를 제공해 컴퓨터 비전 프로젝트를 개선할 수 있습니다. DVCLive의 다른 주요 기능은 다음과 같습니다.

• 다양한 프레임워크 지원: DVCLive는 다른 인기 머신러닝 프레임워크와 함께 사용할 수 있습니다. 따라서 기존 워크플로에 통합하고 실험 추적 기능을 개선하는 과정이 간편합니다.
• 대화형 플롯: 데이터를 바탕으로 대화형 플롯을 자동 생성하여 시간에 따른 성능 지표를 시각적으로 나타낼 수 있습니다.
• 경량 설계: DVCLive는 다양한 프로젝트와 환경에서 사용할 수 있는 가볍고 유연하며 접근성 높은 라이브러리입니다.

DVCLive 통합을 사용해야 하는 이유는 무엇인가요?#

Ultralytics 문서를 살펴보고 제공되는 통합 기능을 확인하다 보면 DVCLive 통합의 차별점은 무엇이며 워크플로에 이를 선택해야 하는 이유는 무엇인지 궁금해질 수 있습니다.

TensorBoard와 MLflow 같은 통합 기능도 지표 추적과 결과 시각화 도구를 제공하므로, DVCLive 통합만의 차별화된 특성을 이해하는 것이 중요합니다.

DVCLive가 Ultralytics YOLO 프로젝트에 적합한 선택일 수 있는 이유는 다음과 같습니다.

• 최소한의 오버헤드: DVCLive는 컴퓨팅 또는 저장소 오버헤드를 최소화하면서 실험 지표를 기록할 수 있는 유용한 도구입니다. 로그를 일반 텍스트 또는 JSON 파일로 저장하므로 외부 서비스나 데이터베이스에 의존하지 않고 기존 워크플로에 쉽게 통합할 수 있습니다.
• DVC와의 기본 통합: DVC를 개발한 팀이 만든 DVCLive는 DVC의 데이터 및 모델 버전 관리 시스템과 원활하게 작동합니다. 또한 데이터 세트 버전, 모델 체크포인트, 파이프라인 변경 사항을 추적할 수 있어 머신러닝 재현성을 위해 이미 DVC를 사용하는 팀에 적합합니다.
• Git 호환: DVCLive는 Git과 통합되어 변경 사항을 추적하고 모델을 비교하며 이전 버전으로 되돌리는 작업을 간편하게 수행하면서 실험 데이터를 체계적으로 정리하고 버전 관리할 수 있습니다.

DVCLive 시작하기#

DVCLive를 사용해 Ultralytics YOLO11 모델 학습을 추적하는 일은 생각보다 간단합니다. 필요한 라이브러리를 설치하고 구성하면 YOLO11 모델의 맞춤 학습을 빠르게 시작할 수 있습니다.

학습이 끝난 후에는 에포크(모델이 전체 데이터 세트를 통과하는 횟수), patience(개선이 없을 때 학습을 중단하기 전까지 기다리는 기간), 목표 이미지 크기(학습에 사용하는 이미지 해상도)와 같은 주요 설정을 조정해 정확도를 높일 수 있습니다. 그런 다음 DVCLive의 시각화 도구를 사용해 모델의 여러 버전을 비교하고 성능을 분석할 수 있습니다.

모델 학습 프로세스와 모범 사례를 더 자세히 알아보려면 Ultralytics YOLO 모델 맞춤 학습에 관한 문서를 확인하세요.

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

요구 사항 설치하기#

YOLO11 학습을 시작하려면 Ultralytics Python 패키지와 DVCLive를 모두 설치해야 합니다. 이 통합은 두 라이브러리가 기본적으로 함께 작동하도록 설계되었으므로 복잡한 설정을 걱정할 필요가 없습니다.

아래 이미지에 표시된 것처럼 Python 라이브러리용 패키지 관리자인 pip를 사용해 명령 하나를 실행하면 몇 분 만에 설치를 모두 마칠 수 있습니다.

그림 2. Ultralytics 및 DVCLive 설치.

패키지를 설치한 후에는 환경을 설정하고 필요한 자격 증명을 추가하여 DVCLive가 원활하게 실행되도록 할 수 있습니다. 코드와 DVCLive 설정의 변경 사항을 추적하려면 Git 리포지토리를 설정하는 것도 유용합니다.

자세한 단계별 안내와 유용한 팁은 설치 가이드를 확인하세요. 필수 패키지를 설치하는 동안 문제가 발생하면 일반적인 문제 가이드에서 해결 방법과 참고 자료를 확인할 수 있습니다.

DVCLive를 사용한 실험 학습#

Ultralytics YOLO11 모델 학습 세션이 완료되면 시각화 도구를 사용하여 결과를 심층적으로 분석할 수 있습니다. 특히 DVC의 API를 사용해 데이터를 추출하고, 데이터를 표로 정리하여 분석하고 비교하는 등 데이터 작업을 간편하게 해주는 Python 라이브러리인 Pandas로 처리하면 데이터를 더 쉽게 다루고 시각화할 수 있습니다.

보다 상호작용적이고 시각적인 방식으로 결과를 살펴보려면 Plotly의 평행 좌표 그래프(서로 다른 모델 매개변수와 성능 결과 간의 관계를 보여주는 차트)를 사용해 볼 수도 있습니다.

이러한 시각화에서 얻은 인사이트를 활용하면 모델 최적화, 하이퍼파라미터 튜닝, 기타 수정 사항에 대해 더 나은 결정을 내려 전반적인 성능을 높일 수 있습니다.

Ultralytics YOLO11과 DVCLive 통합의 활용 사례#

DVCLive 통합을 사용해 Ultralytics YOLO11 학습 결과를 설치하고 시각화하는 방법을 살펴보았으니, 이제 이 통합으로 개선할 수 있는 활용 사례를 알아보겠습니다.

농업 및 정밀 농업#

농업과 식량 작물 수확에서는 정밀도가 큰 차이를 만들 수 있습니다. 예를 들어 농부는 Ultralytics YOLO11의 객체 감지 및 인스턴스 분할 지원을 활용해 잠재적인 작물 질병을 식별하고, 가축을 추적하며, 해충의 침입을 감지할 수 있습니다.

특히 Ultralytics YOLO11은 드론이나 카메라로 촬영한 이미지를 분석하여 식물 질병, 유해 해충 또는 건강이 좋지 않은 동물의 초기 징후를 포착하는 데 도움을 줄 수 있습니다. 이러한 유형의 비전 AI 시스템을 활용하면 농부가 문제 확산을 막기 위해 신속하게 대응할 수 있어 시간과 손실을 줄일 수 있습니다.

그림 3. YOLO11을 사용해 작물을 모니터링하는 예시입니다.

농장의 환경은 날씨와 계절에 따라 계속 달라지므로, 다양한 상황에서 모델이 잘 작동하는지 확인하기 위해 여러 이미지로 모델을 테스트하는 것이 중요합니다. 농업 분야에 적용하기 위해 Ultralytics YOLO11을 커스텀 학습할 때 DVCLive 통합을 사용하면, 특히 다양한 데이터셋에서 모델 성능을 추적하는 데 큰 도움이 됩니다.

소매업에서의 고객 행동 분석#

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

보안 카메라의 동영상을 분석하면 Ultralytics YOLO11로 매장 내 고객의 이동 경로, 유동 인구가 가장 많은 구역, 고객의 제품 상호작용을 추적할 수 있습니다. 그런 다음 이 데이터를 활용해 어떤 선반이 가장 많은 관심을 끄는지, 고객이 각 통로에서 얼마나 머무는지, 광고 디스플레이가 고객의 눈에 띄는지를 보여주는 히트맵을 만들 수 있습니다.

이러한 비즈니스 인텔리전스를 바탕으로 매장 운영자는 제품 배치를 바꿔 매출을 늘리고, 계산대 대기 시간을 줄이며, 고객이 가장 필요로 하는 시간과 장소에 지원을 제공하도록 인력을 조정할 수 있습니다.

그림 4. Ultralytics YOLO11을 사용해 쇼핑몰에서 생성한 히트맵 예시입니다.

소매점은 조명 조건, 매장 배치, 고객 수 등 고유한 특성을 지닌 경우가 많습니다. 이러한 차이 때문에 매장 활동을 분석하는 컴퓨터 비전 모델은 정확도를 보장하려면 각 지점에서 신중하게 테스트하고 조정해야 합니다. 예를 들어 DVCLive 통합은 Ultralytics YOLO11의 파인튜닝 실행을 추적하는 데 도움을 주므로 소매 애플리케이션에 사용할 정확하고 신뢰할 수 있는 모델을 더 쉽게 구축하고 고객 행동과 매장 운영에 관한 인사이트를 개선할 수 있습니다.

핵심 요점#

DVCLive 통합을 사용하면서 Ultralytics YOLO11을 커스텀 학습하면 컴퓨터 비전 실험의 진행 상황을 더 쉽게 추적하고 개선할 수 있습니다. 중요한 세부 정보를 자동으로 기록하고, 명확한 시각적 결과를 보여주며, 여러 모델 버전을 비교하는 데 도움을 줍니다.

농장 생산성을 높이거나 매장의 쇼핑 경험을 개선하려는 경우에도 이 통합 기능을 사용하면 비전 AI 모델의 성능을 확인할 수 있습니다. 실험 추적을 통해 모델을 체계적으로 테스트하고 개선하며 최적화하여 정확도와 성능을 지속적으로 높일 수 있습니다.

비전 AI에 대해 더 알아보려면 커뮤니티에 참여하고 GitHub 리포지토리를 살펴보세요. 컴퓨터 비전 프로젝트를 시작하려면 라이선스 옵션도 확인해 보세요. 제조 분야의 AI나 자율주행 분야의 컴퓨터 비전과 같은 혁신에 관심이 있으신가요? 솔루션 페이지에서 자세히 알아보세요.