DVC 통합을 통해 Ultralytics YOLO11 실험을 간소화하여 더 나은 모델 성능을 얻을 수 있도록 실험 추적을 사용하는 방법을 알아보세요.
.webp)
YOLO Vision 2025를 놓치지 마세요!
2025년 9월 25일
10:00 — 18:00 BST
하이브리드 이벤트
DVC 통합을 통해 Ultralytics YOLO11 실험을 간소화하여 더 나은 모델 성능을 얻을 수 있도록 실험 추적을 사용하는 방법을 알아보세요.
기계가 시각적 데이터를 해석하고 이해하도록 훈련되는 컴퓨터 비전 실험을 추적하고 모니터링하는 것은 Ultralytics YOLO11과 같은 비전 AI 모델을 개발하고 미세 조정하는 데 중요한 부분입니다. 이러한 실험에는 종종 다양한 주요 파라미터를 테스트하고 여러 모델 학습 실행에서 메트릭과 결과를 기록하는 과정이 포함됩니다. 이를 통해 모델 성능을 분석하고 데이터 기반으로 모델을 개선할 수 있습니다.
잘 정의된 실험 추적 시스템이 없으면 결과를 비교하고 모델을 변경하는 것이 복잡해지고 오류가 발생할 수 있습니다. 실제로 이 프로세스를 자동화하는 것은 더 나은 일관성을 보장할 수 있는 좋은 선택입니다.
Ultralytics에서 지원하는 DVCLive 통합이 바로 그 역할을 수행합니다. DVCLive는 실험 세부 정보를 자동으로 기록하고, 결과를 시각화하며, 모델 성능 추적을 단일 워크플로 내에서 관리할 수 있는 간소화된 방법을 제공합니다.
이 기사에서는 Ultralytics YOLO11을 훈련하는 동안 DVCLive 통합을 사용하는 방법에 대해 설명합니다. 또한 이점과 더 나은 Vision AI 모델 개발을 위해 실험 추적을 얼마나 쉽게 만드는지 살펴봅니다.
DVC(Data Version Control)에서 만든 DVCLive는 머신 러닝 실험을 추적하도록 설계된 안정적인 오픈 소스 도구입니다. DVCLive Python 라이브러리는 AI 개발자와 연구원이 실험의 메트릭과 매개변수를 추적할 수 있도록 하는 실시간 실험 로거를 제공합니다.
예를 들어, 주요 모델 성능 지표를 자동으로 기록하고, 훈련 실행 간의 결과를 비교하고, 모델 성능을 시각화할 수 있습니다. 이러한 기능을 통해 DVCLive는 구조화되고 재현 가능한 머신 러닝 워크플로를 유지하는 데 도움이 됩니다.
DVCLive 통합은 사용하기 쉬우며 명확하고 이해하기 쉬운 데이터 시각화 및 분석 도구를 제공하여 컴퓨터 비전 프로젝트를 개선할 수 있습니다. DVCLive의 다른 주요 기능은 다음과 같습니다.
Ultralytics 문서를 살펴보고 사용 가능한 통합 기능을 탐색하면서 다음과 같은 질문이 생길 수 있습니다. DVCLive 통합은 무엇이 특별하며, 왜 내 워크플로에 DVCLive 통합을 선택해야 할까요?
메트릭 추적 및 결과 시각화를 위한 도구를 제공하는 TensorBoard 및 MLflow와 같은 통합을 통해 이러한 통합을 돋보이게 하는 고유한 품질을 이해하는 것이 중요합니다.
DVCLive가 Ultralytics YOLO 프로젝트에 이상적인 선택이 될 수 있는 이유는 다음과 같습니다.
DVCLive를 사용한 Ultralytics YOLO11 모델 학습 추적은 생각보다 간단합니다. 필요한 라이브러리를 설치하고 구성하면 YOLO11 모델의 사용자 지정 학습을 빠르게 시작할 수 있습니다.
학습 후 정확도를 높이기 위해 에포크(모델이 전체 데이터 세트를 거치는 횟수), 인내심(개선이 없을 경우 중단하기 전에 기다리는 시간), 대상 이미지 크기(학습에 사용되는 이미지 해상도)와 같은 주요 설정을 조정할 수 있습니다. 그런 다음 DVCLive의 시각화 도구를 사용하여 모델의 다양한 버전을 비교하고 성능을 분석할 수 있습니다.
모델 훈련 프로세스 및 모범 사례에 대한 자세한 내용은 Ultralytics YOLO 모델의 사용자 지정 훈련에 대한 설명서를 참조하세요.
다음으로, YOLO11을 사용자 정의 학습하면서 DVCLive 통합을 설치하고 사용하는 방법을 살펴보겠습니다.
YOLO11 훈련을 시작하기 전에 Ultralytics Python 패키지와 DVCLive를 모두 설치해야 합니다. 이 통합은 두 라이브러리가 기본적으로 원활하게 함께 작동하도록 설계되었으므로 복잡한 구성에 대해 걱정할 필요가 없습니다.
전체 설치 프로세스는 아래 이미지에 표시된 것처럼 Python 라이브러리를 설치하기 위한 패키지 관리 도구인 단일 Pip 명령으로 몇 분 안에 완료할 수 있습니다.
패키지를 설치했으면 DVCLive가 원활하게 실행되도록 환경을 설정하고 필요한 자격 증명을 추가할 수 있습니다. Git 리포지토리를 설정하는 것도 코드와 DVCLive 설정에 대한 변경 사항을 추적하는 데 유용합니다.
자세한 단계별 지침 및 기타 유용한 팁은 설치 가이드를 참조하십시오. 필요한 패키지를 설치하는 동안 문제가 발생하는 경우 일반적인 문제 해결 가이드에 문제 해결 방법과 리소스가 있습니다.
YOLO11 모델 학습 세션이 완료되면 시각화 도구를 사용하여 결과를 심층적으로 분석할 수 있습니다. 특히 DVC의 API를 사용하여 데이터를 추출하고 Pandas(데이터를 더 쉽게 처리할 수 있도록 Python 라이브러리, 분석 및 비교를 위해 테이블로 구성하는 것과 유사)로 처리하여 더 쉽게 처리하고 시각화할 수 있습니다.
결과를 탐색하는 보다 상호 작용적이고 시각적인 방법을 원하시면 Plotly의 평행 좌표 플롯(다양한 모델 파라미터와 성능 결과가 어떻게 연결되어 있는지 보여주는 차트 유형)을 사용해 볼 수도 있습니다.
궁극적으로 이러한 시각화에서 얻은 통찰력을 활용하여 모델 최적화, 하이퍼파라미터 튜닝 또는 전반적인 성능 향상을 위한 기타 수정에 대한 더 나은 결정을 내릴 수 있습니다.
이제 DVCLive 통합을 사용하여 YOLO11 학습 결과를 설치하고 시각화하는 방법을 배웠으니, 이 통합이 향상시킬 수 있는 몇 가지 응용 프로그램을 살펴보겠습니다.
농업 및 식량 작물 수확에 있어서는 정확성이 큰 차이를 만들 수 있습니다. 예를 들어, 농부들은 YOLO11의 객체 탐지 및 인스턴스 분할 지원을 사용하여 잠재적인 작물 질병을 식별하고, 가축을 추적하며, 해충 침입을 감지할 수 있습니다.
특히 YOLO11은 드론이나 카메라의 이미지를 분석하여 식물 질병, 유해한 해충 또는 건강에 해로운 동물의 초기 징후를 포착하는 데 도움이 될 수 있습니다. 이러한 유형의 Vision AI 시스템을 통해 농부들은 문제가 확산되는 것을 막기 위해 신속하게 조치를 취하여 시간을 절약하고 손실을 줄일 수 있습니다.
농장 환경은 날씨와 계절에 따라 끊임없이 변하기 때문에 다양한 이미지에서 모델을 테스트하여 다양한 상황에서 잘 작동하는지 확인하는 것이 중요합니다. 농업 응용 분야를 위해 YOLO11을 사용자 정의 학습하는 데 DVCLive 통합을 사용하면 특히 다양한 데이터 세트에서 성능을 추적하는 데 좋습니다.
소매점은 AI와 컴퓨터 비전을 사용하여 고객 행동을 이해하고 쇼핑 경험을 향상시키기 위한 개선을 수행할 수 있습니다.
YOLO11은 보안 카메라의 비디오를 분석하여 사람들이 매장 주변을 어떻게 이동하는지, 어떤 영역에 가장 많은 사람들이 다니는지, 쇼핑객이 제품과 어떻게 상호 작용하는지 추적할 수 있습니다. 그런 다음 이 데이터를 사용하여 어떤 선반이 가장 많은 관심을 끄는지, 고객이 다른 통로에서 얼마나 많은 시간을 보내는지, 광고 디스플레이가 눈에 띄는지 보여주는 히트 맵을 만들 수 있습니다.
이러한 비즈니스 인텔리전스를 통해 매장 주인은 제품을 재배치하여 판매를 늘리고, 계산대 줄을 가속화하고, 고객이 가장 필요로 하는 시기와 장소에 직원을 배치하여 고객을 지원할 수 있습니다.
일반적으로 소매점은 다양한 조명 조건, 레이아웃, 군중 규모와 같은 고유한 특성을 가지고 있습니다. 이러한 차이점 때문에 매장 활동을 분석하는 데 사용되는 컴퓨터 비전 모델은 정확성을 보장하기 위해 각 위치에 맞게 신중하게 테스트하고 조정해야 합니다. 예를 들어 DVCLive 통합은 YOLO11을 미세 조정하여 소매 애플리케이션에 더욱 정확하고 안정적으로 만들어 고객 행동 및 매장 운영에 대한 더 나은 통찰력을 얻을 수 있도록 지원합니다.
DVCLive 통합을 사용하여 YOLOv11을 커스텀 트레이닝하면 컴퓨터 비전 실험을 더 쉽게 추적하고 개선할 수 있습니다. 중요한 세부 정보를 자동으로 기록하고, 명확한 시각적 결과를 보여주며, 모델의 여러 버전을 비교하는 데 도움이 됩니다.
농장 생산성을 높이거나 매장에서 쇼핑 경험을 개선하려는 경우, 이 통합은 Vision AI 모델이 제대로 작동하도록 보장합니다. 실험 추적을 통해 모델을 체계적으로 테스트, 개선 및 최적화하여 정확도와 성능을 지속적으로 향상시킬 수 있습니다.
커뮤니티에 참여하고 GitHub 저장소를 탐색하여 Vision AI에 대해 자세히 알아보고 라이선스 옵션을 확인하여 컴퓨터 비전 프로젝트를 시작하세요. 제조 분야의 AI 또는 자율 주행 분야의 컴퓨터 비전과 같은 혁신에 관심이 있으신가요? 솔루션 페이지를 방문하여 자세히 알아보세요.
.webp)
