Ultralytics YOLO11 및 DVC를 사용한 실험 추적

기계가 시각 데이터를 해석하고 이해하도록 학습시키는 컴퓨터 비전 실험을 추적하고 모니터링하는 것은 Ultralytics YOLO11과 같은 비전 AI 모델을 개발하고 미세 조정하는 데 있어 매우 중요한 부분입니다. 이러한 실험은 종종 다양한 주요 파라미터를 테스트하고 여러 모델 학습 실행에서 나온 지표와 결과를 기록하는 과정을 포함합니다. 이를 통해 모델 성능을 분석하고 데이터 기반으로 모델을 개선할 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.

그것이 바로 Ultralytics가 지원하는 DVCLive 통합이 목표하는 바입니다. DVCLive는 실험 세부 정보를 자동으로 기록하고, 결과를 시각화하며, 모델 성능 추적을 관리하는 단순화된 방법을 단일 워크플로 내에서 모두 제공합니다.

이 글에서는 Ultralytics YOLO11을 학습하는 동안 DVCLive 통합을 사용하는 방법을 설명합니다. 또한 그 이점과 이것이 더 나은 비전 AI 모델 개발을 위해 실험 추적을 어떻게 더 쉽게 만드는지 살펴보겠습니다.

Link to this sectionDVCLive란 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.

그림 1. 실험 추적을 위한 DVCLive 대시보드 살펴보기.

Link to this sectionDVCLive의 주요 기능#

DVCLive 통합은 사용하기 쉬우며, 명확하고 이해하기 쉬운 데이터 시각화 및 분석 도구를 제공하여 컴퓨터 비전 프로젝트를 개선할 수 있습니다. 다음은 DVCLive의 몇 가지 다른 주요 기능입니다.

• 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.

Link to this section왜 DVCLive 통합을 사용해야 하나요?#

Ultralytics 문서를 살펴보고 사용 가능한 통합 기능을 탐색하다 보면, DVCLive 통합만이 가진 차별점은 무엇이며 왜 내 워크플로에 이를 선택해야 하는지 궁금할 수 있습니다.

지표 추적 및 결과 시각화 도구를 제공하는 TensorBoard 및 MLflow와 같은 통합 기능이 있으므로, 이 통합을 돋보이게 만드는 고유한 특성을 이해하는 것이 중요합니다.

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.

Link to this sectionDVCLive 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 과정과 모범 사례에 대한 자세한 내용은 Ultralytics YOLO 모델의 커스텀 학습 문서를 확인하십시오.

다음으로, YOLO11을 커스텀 학습하는 동안 DVCLive 통합을 설치하고 사용하는 방법을 단계별로 알아보겠습니다.

Link to this section요구 사항 설치#

YOLO11 학습을 시작하기 전에 Ultralytics Python 패키지와 DVCLive를 모두 설치해야 합니다. 이 통합 기능은 두 라이브러리가 기본적으로 원활하게 함께 작동하도록 설계되었으므로 복잡한 구성에 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 지침 및 기타 유용한 팁은 설치 가이드를 확인하십시오. 필요한 패키지를 설치하는 동안 문제가 발생하면 공통 문제 가이드에서 해결책과 리소스를 찾을 수 있습니다.

Link to this sectionDVCLive를 사용한 실험 학습#

YOLO11 모델 학습 세션이 완료되면 시각화 도구를 사용하여 결과를 심층적으로 분석할 수 있습니다. 특히 DVC의 API를 사용하여 데이터를 추출하고 Pandas(데이터를 분석 및 비교를 위해 테이블로 정리하는 등 데이터 작업을 쉽게 만들어 주는 Python 라이브러리)로 처리하면 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.

Link to this sectionYOLO11 및 DVCLive 통합의 활용 사례#

DVCLive 통합을 사용하여 YOLO11 학습 결과를 설치하고 시각화하는 방법을 배웠으니, 이제 이 통합으로 향상할 수 있는 몇 가지 애플리케이션을 살펴보겠습니다.

Link to this section농업 및 정밀 농업#

식량 생산을 위한 농업 및 작물 수확에 있어서 정밀도는 큰 차이를 만들 수 있습니다. 예를 들어, 농부들은 객체 탐지 및 인스턴스 세그멘테이션에 대한 YOLO11의 지원을 사용하여 잠재적인 작물 질병을 식별하고, 가축을 추적하며, 해충 침입을 감지할 수 있습니다.

특히 YOLO11은 드론이나 카메라의 이미지를 분석하여 식물 질병, 유해 해충 또는 건강하지 않은 동물의 초기 징후를 포착하는 데 도움을 줄 수 있습니다. 이러한 유형의 비전 AI 시스템을 통해 농부들은 문제 확산을 막기 위해 신속하게 조치를 취함으로써 시간을 절약하고 손실을 줄일 수 있습니다.

그림 3. YOLO11을 사용하여 작물을 모니터링하는 예시.

농장 환경은 날씨와 계절에 따라 끊임없이 변하기 때문에 다양한 상황에서 잘 작동하도록 다양한 이미지로 모델을 테스트하는 것이 중요합니다. 농업 애플리케이션을 위한 YOLO11 커스텀 학습에 DVCLive 통합을 사용하면 특히 다양한 데이터셋에서 모델의 성능을 쉽게 추적할 수 있습니다.

Link to this section소매업에서의 고객 행동 분석#

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

보안 카메라의 영상을 분석하여 YOLO11은 사람들이 매장 내에서 어떻게 움직이는지, 어느 구역의 유동 인구가 가장 많은지, 고객이 제품과 어떻게 상호 작용하는지 추적할 수 있습니다. 이 데이터는 어떤 진열대가 가장 많은 관심을 끄는지, 고객이 각 통로에서 얼마나 시간을 보내는지, 광고 디스플레이가 주목받고 있는지를 보여주는 히트맵을 만드는 데 사용할 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.

그림 4. 쇼핑몰을 위해 YOLO11로 생성된 히트맵 예시.

소매점은 종종 다양한 조명 상태, 레이아웃, 인파 규모와 같은 고유한 특성을 가집니다. 이러한 차이 때문에 매장 활동을 분석하는 데 사용되는 컴퓨터 비전 모델은 정확성을 보장하기 위해 각 위치에 맞게 신중하게 테스트하고 조정되어야 합니다. 예를 들어, DVCLive 통합은 YOLO11을 미세 조정하여 소매 애플리케이션에 더 정확하고 신뢰할 수 있게 만들어, 고객 행동과 매장 운영에 대한 더 나은 통찰력을 얻을 수 있도록 돕습니다.

Link to this section핵심 요약#

DVCLive 통합을 사용하면서 YOLO11을 커스텀 학습하면 컴퓨터 비전 실험을 더 쉽게 추적하고 개선할 수 있습니다. 중요한 세부 정보를 자동으로 기록하고, 명확한 시각적 결과를 보여주며, 다양한 모델 버전을 비교할 수 있도록 도와줍니다.

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.

저희 커뮤니티에 가입하고 GitHub 리포지토리를 탐색하여 비전 AI에 대해 더 자세히 알아보세요. 또한 컴퓨터 비전 프로젝트를 시작하려면 라이선스 옵션을 확인하십시오. 제조 분야 AI 또는 자율주행 컴퓨터 비전과 같은 혁신에 관심이 있으신가요? 솔루션 페이지를 방문하여 더 많은 내용을 알아보세요.