Ultralytics Platform으로 YOLO 모델 더 빠르게 학습하기

지난주에 Ultralytics는 컴퓨터 비전 모델을 구축, 학습 및 배포하는 방식을 단순화하도록 설계된 통합 워크스페이스인 Ultralytics Platform을(를) 선보였습니다. 여러 도구를 번갈아 사용할 필요 없이, 플랫폼이 모든 것을 한곳에 모아줍니다. 비전 AI 모델을 아이디어 단계에서 배포까지 번거로움 없이 진행할 수 있게 됩니다.

컴퓨터 비전은 다양한 산업 분야에서 핵심적인 부분으로 빠르게 자리 잡고 있기 때문에 이는 매우 중요합니다. 이는 제조 검사, 소매 분석 및 자율 주행과 같은 애플리케이션을 구동합니다.

이러한 비전 지원 애플리케이션을 신뢰할 수 있는 시스템으로 전환하는 것은 모델이 얼마나 잘 학습되었는지에 달려 있습니다. 모델 학습은 라벨링된 데이터로부터 학습하여 모델이 패턴을 인식하고 정확한 예측을 내릴 수 있도록 하는 과정을 포함합니다. 일반적으로 잘 학습된 모델은 실제 애플리케이션에서 더 나은 모델 성능과 더 신뢰할 수 있는 결과를 가져옵니다.

하지만 컴퓨터 비전 모델을 학습하는 것이 항상 간단한 것은 아닙니다. 환경 설정, 적절한 컴퓨팅 리소스 선택, 하이퍼파라미터 튜닝 및 여러 학습 실험 추적과 같은 다양한 측면으로 구성됩니다. 이러한 단계들이 서로 다른 도구와 시스템에 분산되어 있으면, 학습 워크플로우는 금방 복잡해지고 관리하기 어려워집니다.

Ultralytics Platform은 전체 학습 과정을 단일 통합 대시보드로 가져와 이 문제를 해결합니다. 클라우드, 로컬 또는 Google Colab 어디에서 작업하든 한곳에서 학습 작업을 구성, 실행 및 모니터링할 수 있습니다.

그림 1. Ultralytics Platform 내에서의 모델 학습 모습 (출처)

이 글에서는 Ultralytics Platform이 모델 학습을 간소화하는 방식과 비전 AI 프로젝트에서 우위를 점할 수 있는 이유를 살펴보겠습니다. 시작하겠습니다!

컴퓨터 비전 모델은 모델 학습을 통해 데이터로부터 학습합니다#

Ultralytics Platform에서 모델 학습이 어떻게 작동하는지 알아보기 전에, 먼저 한 걸음 물러서서 모델 학습이란 무엇이며 무엇이 필요한지 살펴보겠습니다.

모델 학습은 컴퓨터 비전 모델이 시각 데이터를 해석하는 법을 학습하는 과정입니다. 이미지나 동영상을 분석하고 내부 파라미터를 점진적으로 조정하여 객체 검출, 이미지 분류, 인스턴스 세분화 같은 비전 작업을 정확하게 수행합니다. 시간이 지남에 따라 모델은 자신이 본 데이터로부터 직접 패턴을 학습하며 성능이 향상됩니다.

학습의 품질은 데이터셋에 크게 좌우됩니다. 데이터셋을 선생님이 학생을 가르칠 때 사용하는 플래시카드 세트라고 생각할 수 있으며, 각 예제는 모델이 무엇을 찾아야 하는지 배우는 데 도움을 줍니다.

일반적인 컴퓨터 비전 데이터셋은 JPG 또는 PNG와 같은 형식의 이미지와 각 이미지에 무엇이 있는지 설명하는 주석(annotation)을 포함합니다. JSON 또는 TXT 파일로 저장되는 경우가 많은 이러한 주석은 모델이 효과적으로 학습하는 데 필요한 라벨과 맥락을 제공합니다.

하지만 학습은 단순히 데이터를 모델에 입력하는 것만이 아닙니다. 데이터셋 준비부터 올바른 모델 선택 및 학습 과정 구성에 이르기까지 몇 가지 주요 단계가 포함됩니다. 다음으로, 이러한 단계 중 몇 가지를 자세히 살펴보겠습니다.

데이터셋이 준비되는 방식 살펴보기#

데이터셋이 있으면 즉시 모델 학습을 시작할 수 있는 것처럼 보일 수 있지만, 먼저 수행해야 할 몇 가지 단계가 있습니다. 예를 들어 데이터셋 분할이 있습니다.

일반적으로 데이터셋은 학습 세트, 검증 세트 및 테스트 세트의 세 부분으로 나뉩니다. 학습 이미지는 모델에게 데이터의 패턴을 가르치는 데 사용되며, 검증 세트는 학습 중에 성능을 모니터링하고 미세 조정하는 데 도움을 줍니다.

테스트 세트는 완전히 새로운 미지의 데이터에서 모델이 얼마나 잘 수행되는지 평가하는 데 마지막으로 사용됩니다. 이 설정은 모델이 단순히 데이터를 암기하는 것이 아니라 실제 시나리오로 일반화할 수 있도록 보장하는 데 도움이 됩니다.

학습을 위한 올바른 모델 선택#

학습 전 또 다른 중요한 단계는 사용하려는 모델을 선택하는 것입니다. 많은 경우, 이는 사전 학습된 모델을 선택하는 것을 의미합니다. Ultralytics YOLO 모델과 같은 모델은 대규모 데이터셋에서 이미 학습되어 일반적인 시각적 패턴을 배웠으므로 강력한 출발점이 됩니다.

이러한 모델을 사용하는 것은 전이 학습의 예로, 기존 지식을 기반으로 모델을 특정 작업에 맞게 조정하는 것입니다. 이 접근 방식은 특히 데이터가 제한적일 때 학습 속도를 높이고 결과를 개선하는 데 도움이 됩니다.

이 모델들은 또한 다양한 크기로 제공되며, 각각 속도와 정확도 사이의 균형을 제공합니다. 더 작은 모델은 더 빠르고 효율적인 반면, 더 큰 모델은 더 높은 정확도를 제공하지만 더 많은 컴퓨팅 리소스를 필요로 하는 경향이 있습니다.

비전 모델을 위한 학습 파라미터 구성#

데이터셋이 준비되고 모델을 선택한 후, 다음 단계는 모델이 학습하는 방식을 구성하는 것입니다.

컴퓨터 비전 모델은 데이터를 처리하고 가중치를 업데이트하며 시간이 지남에 따라 개선되는 방식을 결정하는 일련의 파라미터를 사용하여 학습됩니다. 이러한 설정은 학습 속도와 최종 정확도 모두에 직접적인 영향을 미치므로 강력한 결과를 얻는 데 필수적입니다.

가장 일반적으로 사용되는 학습 파라미터는 다음과 같습니다.

• Epochs(에포크): 학습 중에 모델이 전체 데이터셋을 몇 번 통과하는지를 나타냅니다. 에포크 수를 늘리면 모델이 데이터에서 패턴을 학습할 기회가 더 많아집니다.
• Batch size(배치 크기): 단일 학습 단계에서 함께 처리되는 이미지 수입니다. 배치 크기가 클수록 학습 속도는 빨라질 수 있지만 더 많은 메모리가 필요합니다.
• Image size(이미지 크기): 학습 중에 사용되는 입력 이미지의 해상도를 지정합니다. 해상도가 높을수록 탐지 정확도는 향상될 수 있지만 컴퓨팅 비용이 증가합니다.
• Learning rate(학습률): 학습 중에 모델이 내부 파라미터를 업데이트하는 속도입니다. 너무 높거나 너무 낮은 값은 학습을 불안정하게 만들 수 있습니다.
• Optimizer(옵티마이저): 각 학습 반복 중에 계산된 오차를 기반으로 모델의 파라미터를 업데이트하는 알고리즘입니다.

Ultralytics YOLO 기반 워크플로우에서 이러한 구성은 일반적으로 YAML 파일에 정의됩니다. 이 파일은 데이터셋 경로, 클래스 이름 및 데이터가 분할되는 방식을 지정합니다. 모델이 데이터셋을 해석하는 방법을 알려주는 중앙 구성 역할을 합니다.

단편적인 워크플로우에서 Ultralytics Platform을 통한 통합 경험으로#

데이터셋 준비부터 모델 선택 및 학습 파라미터 구성까지, 컴퓨터 비전 모델 학습과 관련된 몇 가지 주요 단계를 논의했습니다. 실제로는 실험 추적, 여러 학습 실행 비교, 시간이 지남에 따라 지속적으로 모델을 개선하는 과정 등이 포함되어 프로세스가 더 확장되는 경우가 많습니다.

이러한 단계들이 한곳에서 처리되는 경우는 드뭅니다. 데이터셋은 한 도구에서 준비되고, 학습 실행은 다른 환경에서 수행되며, 실험 추적은 별도로 관리될 수 있습니다. 프로젝트가 성장함에 따라 이러한 단편화는 복잡성을 더하고 반복 속도를 늦추며 모든 것을 체계적으로 유지하기 어렵게 만듭니다.

Ultralytics Platform은 전체 학습 워크플로우를 하나의 환경으로 가져와 이러한 복잡성을 제거합니다. 도구 간에 전환하는 대신 한곳에서 데이터셋을 관리하고, 학습을 구성하고, 실험을 실행하고, 결과를 모니터링할 수 있습니다.

다음으로, Ultralytics Platform이 어떻게 모델 학습을 더 스마트하게 만드는지 살펴보겠습니다.

Ultralytics Platform에서 지원하는 학습 옵션#

실제 애플리케이션에서 컴퓨터 비전 모델을 학습하려면 유연한 환경이 필요한 경우가 많습니다. 데이터셋의 크기, 모델의 복잡성 및 사용 가능한 하드웨어에 따라 클라우드, 로컬 머신 또는 외부 노트북 환경에서 학습을 실행하도록 선택할 수 있습니다.

Ultralytics Platform은 이러한 요구를 수용하기 위해 다음과 같은 학습 옵션을 지원합니다.

• 클라우드 학습: 학습은 Ultralytics에서 관리하는 클라우드 GPU에서 실행됩니다. 이 옵션은 상당한 컴퓨팅 리소스가 필요한 대규모 데이터셋이나 더 복잡한 모델에 이상적입니다.
• 로컬 학습: 이 옵션은 사용자 머신에서 사용 가능한 하드웨어를 활용하며 빠른 실험, 구성 테스트 또는 소규모 데이터셋 작업에 좋습니다. 더 확장 가능한 워크로드를 위해 AWS 또는 GCP와 같은 자체 클라우드 환경에서 학습을 실행할 수도 있습니다.
• Google Colab: Ultralytics Platform을 사용하면 Google Colab의 호스팅된 노트북 환경에서 학습을 실행하여 로컬 머신 구성 없이도 유연한 브라우저 기반 워크플로우를 구현할 수 있습니다.

Ultralytics Platform에서 클라우드 학습 살펴보기#

컴퓨터 비전 프로젝트의 경우, 로컬이나 노트북 환경에서 모델을 학습하는 것이 항상 쉬운 것은 아닙니다.

예를 들어, 로컬 학습의 경우 성능은 전적으로 사용자의 하드웨어에 의존하며, 이는 컴퓨팅 파워를 제한하고 실험 속도를 늦출 수 있습니다. 효율적인 학습을 위해서는 GPU가 필수적이지만 모든 설정에서 안정적으로 GPU를 사용할 수 있는 것은 아닙니다.

Google Colab과 같은 노트북 환경은 클라우드 기반 GPU를 제공하여 대안을 제시하지만, 세션이 일시적인 경우가 많아 긴 학습 실행을 중단시킬 수 있습니다. 데이터셋이 커지고 워크플로우가 복잡해짐에 따라 이러한 제한은 빠르게 병목 현상으로 변하여 학습 속도가 느려지고 신뢰성이 떨어질 수 있습니다.

Ultralytics Platform은 클라우드 학습 옵션으로 이 문제를 해결합니다. Python 의존성과 PyTorch와 같은 프레임워크가 사전 구성된 즉시 사용 가능한 환경을 제공하여 추가 설정 없이 학습을 시작할 수 있습니다.

단일 대시보드에서 학습 작업을 시작하고 진행 상황을 실시간으로 모니터링할 수 있습니다. 이를 통해 인프라 관리가 아닌 모델 개선에 집중하기가 더 쉬워집니다.

이제 Ultralytics Platform에서 클라우드 학습을 시작하는 방법을 살펴보겠습니다.

1단계: 기본 모델 선택#

첫 번째 단계는 학습 실행을 위한 베이스 모델을 선택하는 것입니다. 사전 학습된 Ultralytics YOLO model을 선택하거나, 커뮤니티 모델을 복제하거나, 사용자 지정 요구사항을 충족하기 위해 자신만의 사전 학습된 가중치를 업로드할 수 있습니다.

이 플랫폼은 Ultralytics YOLO26, Ultralytics YOLO11, Ultralytics YOLOv8, Ultralytics YOLOv5을(를) 포함한 모든 Ultralytics YOLO 모델을 지원하며, 각 모델은 nano(n), small(s), medium(m), large(l), extra-large(x) 등 다양한 크기 변형으로 제공됩니다. 각 모델 변형은 속도와 정확도 사이의 트레이드오프를 제공하므로, 성능 및 연산 요구사항에 맞는 모델을 선택할 수 있습니다.

이 모델들은 객체 탐지, 인스턴스 분할, 이미지 분류, 방향성 바운딩 박스(OBB) 탐지 및 포즈 추정을 포함하여 Ultralytics YOLO 사용자가 이미 익숙한 다양한 컴퓨터 비전 작업을 지원합니다.

맞춤형 요구 사항이 있는 경우 자체 사전 학습된 모델 가중치를 업로드할 수도 있습니다. 즉, 처음부터 시작하는 대신 플랫폼 내에서 객체 탐지기와 같은 기존 모델을 계속 학습하거나 미세 조정할 수 있습니다. 이는 이미 다른 곳에서 모델을 학습했거나 더 구체적인 사용 사례에 모델을 조정하려는 경우 특히 유용합니다.

2단계: 데이터셋 선택#

다음 단계는 학습을 위한 데이터셋을 선택하는 것입니다. Ultralytics Platform에서는 COCO 데이터셋과 같은 기존 데이터셋을 사용하거나, 커뮤니티에서 데이터셋을 복제하거나, 특정 애플리케이션에 맞게 조정된 자체 맞춤형 데이터셋을 업로드할 수 있습니다.

이 플랫폼은 Ultralytics YOLO 및 COCO와 같은 공통 주석 형식을 지원하며, 플랫폼에서 직접 커뮤니티 데이터를 어노테이션할 계획인 경우 원시 이미지 업로드도 처리할 수 있습니다.

업로드된 데이터셋은 검증, 정규화, 라벨 파싱 및 통계 생성을 포함하여 자동으로 처리됩니다. 이를 통해 클래스 분포 및 데이터셋 구조를 포함하여 데이터에 대한 즉각적인 가시성을 확보하고 학습을 위한 모든 준비가 완료되었는지 확인할 수 있습니다.

데이터셋은 학습 실행과도 자동으로 연결되어 각 모델에 어떤 데이터가 사용되었는지 추적하고 실험 간 일관성을 유지할 수 있게 합니다.

3단계: 학습 파라미터 구성#

데이터셋을 선택한 후, 모델이 학습하는 방식을 제어하는 학습 파라미터를 구성할 수 있습니다. 여기에는 에포크, 배치 크기, 이미지 크기 및 학습 로그를 위한 실행 이름이 포함됩니다. 이러한 파라미터 중 다수는 학습 기간과 모델의 최종 성능에 영향을 미칩니다.

더 통제된 학습을 위해 플랫폼에서는 학습률, 옵티마이저 유형, 색상 증강 설정 및 기타 학습 옵션과 같은 고급 파라미터도 조정할 수 있습니다. 이러한 설정은 학습 과정을 미세 조정하여 모델 정확도와 안정성을 향상시킬 수 있습니다.

4단계: GPU 선택#

다음으로 학습 실행을 위한 GPU 구성을 선택할 수 있습니다. 올바른 GPU 선택은 데이터셋 크기, 배치 크기, 이미지 해상도 및 모델 복잡성과 같은 요소에 따라 달라집니다. 적절한 균형을 찾는 것은 필요한 것보다 더 많은 컴퓨팅 리소스를 사용하지 않으면서 효율적인 학습을 유지하는 데 도움이 됩니다.

Ultralytics Platform은 다양한 수준의 VRAM(GPU 메모리) 및 컴퓨팅 파워를 갖춘 22가지 GPU 옵션을 제공하며, 소규모 작업부터 대규모 워크로드까지 모두 지원합니다.

이를 사용하여 가벼운 모델을 학습하든 크고 복잡한 데이터셋을 다루든 특정 요구에 하드웨어를 맞출 수 있습니다. 자세히 알아보려면 Ultralytics Platform training docs 페이지의 사용 가능한 GPU 목록을 확인하세요.

그림 2. Ultralytics Platform을 통해 활성화된 GPU 옵션 중 일부 (출처)

5단계: 클라우드 학습 시작#

모델, 데이터셋, 학습 파라미터 및 컴퓨팅 옵션을 선택하면 학습 실행을 시작하는 것은 빠릅니다. 대시보드에서 클릭 한 번으로 학습을 시작할 수 있으며, 플랫폼은 환경을 초기화하고 선택한 GPU에서 작업을 실행하여 나머지를 처리합니다.

학습이 시작되면 플랫폼 내에서 직접 진행 상황을 모니터링할 수 있습니다. Train 탭은 성능 지표, 손실 곡선, 시스템 사용량 및 실시간 학습 로그를 포함한 주요 지표에 대한 실시간 가시성을 제공합니다.

로컬 학습 또는 Google Colab과 Ultralytics Platform을 함께 사용하는 방법에 대해 자세히 알아보려면 공식 Ultralytics Platform documentation 안의 추가 튜토리얼을 탐색할 수 있습니다.

Ultralytics Platform에서 모델 평가 및 비교#

학습이 완료되면 다음 단계는 모델의 성능을 평가하는 것입니다. Ultralytics Platform에서는 프로젝트 내에서 여러 학습 실행을 비교하여 다양한 실험이 어떻게 수행되는지 명확하게 파악할 수 있습니다.

모델을 개발할 때 결과를 개선하기 위해 학습률, 배치 크기 또는 모델 크기 변경과 같은 다양한 설정으로 학습을 여러 번 반복하는 경우가 많습니다. 이러한 각 실행은 약간씩 다른 모델을 생성하므로 비교하는 것이 중요합니다.

프로젝트는 모델과 실험이 함께 구성되는 중앙 허브 역할을 합니다. 다른 도구나 보기로 전환하지 않고도 진행 상황을 추적하고, 결과를 검토하며, 집중력을 유지할 수 있습니다.

이 통합 보기에서 정밀도, 재현율 및 mAP(mean average precision)와 같은 주요 성능 지표를 분석하여 모델이 여러 클래스에 걸쳐 어떻게 수행되는지 이해할 수 있습니다. 또한 학습 실행을 나란히 비교하여 어떤 구성이 최상의 결과를 제공하는지 확인할 수 있습니다.

이러한 지표를 보완하기 위해 Predict 탭을 사용하여 샘플 이미지나 데이터에서 학습된 모델을 빠르게 테스트하여 성능을 시각적으로 검증하고 잠재적인 문제를 발견할 수 있습니다.

이러한 통찰력을 바탕으로 일반적으로 “best.pt” 체크포인트로 저장된 최고 성능의 모델을 선택하고 다음 단계로 진행할 수 있습니다. 추가 평가, 모델을 사용한 추론 실행 또는 플랫폼을 통한 모델 배포 중 무엇이든 가능합니다.

그림 3. Ultralytics Platform에서 메트릭을 확인하는 예시 (출처)

Ultralytics Platform 내 학습 비용 추정#

클라우드에서 객체 탐지 모델을 학습하는 것은 특히 고성능 GPU에 액세스할 때 컴퓨팅 비용이 발생합니다. 이를 더욱 편리하게 하기 위해 Ultralytics Platform은 학습 시작 전에 비용 추정치를 제공합니다.

예상 사용량에 대한 명확한 가시성을 제공하여 워크로드를 계획하고, 예산을 관리하며, 학습 작업을 시작하기 전에 예상치 못한 비용을 방지할 수 있도록 돕습니다. 다음은 학습을 시작하기 전에 예상 비용을 확인하는 방법입니다.

학습 시간이 추정되는 방식#

비용을 정확하게 추정하기 위해 플랫폼은 먼저 단일 학습 에포크가 얼마나 걸릴지 계산합니다. 이는 데이터셋 크기, 모델 크기, 이미지 해상도, 배치 크기 및 선택한 GPU의 속도와 같은 요소에 따라 달라집니다.

이러한 입력을 사용하여 에포크당 예상 시간을 결정하고 전체 학습 실행으로 확장합니다. 총 기간은 모든 에포크에 걸친 시간과 약간의 시작 오버헤드를 결합하여 계산됩니다.

오버헤드는 환경 초기화, 데이터셋 로드 및 GPU 준비와 같은 작업을 고려하며, 추정치가 단순히 학습 루프만이 아닌 전체 학습 과정을 반영하도록 보장합니다.

학습 비용이 계산되는 방식#

총 학습 시간이 추정되면, 플랫폼은 선택한 GPU의 시간당 요금을 사용하여 비용으로 변환합니다.

학습 기간과 GPU 가격을 결합함으로써, 실행이 시작되기 전부터 비용이 얼마나 들지 명확하게 추정할 수 있습니다.

사전 가시성을 확보하면 학습 파라미터를 조정하거나 다른 GPU를 선택하는 등 설정을 쉽게 수정하여 성능과 비용의 균형을 더 효과적으로 맞출 수 있습니다.

그림 4. Ultralytics Platform 내에서 모델 학습을 설정하고 비용을 추정하는 모습 (출처)

모델 학습을 위해 Ultralytics Platform을 사용할 때의 주요 장점#

지금까지 우리는 컴퓨터 비전 모델 학습과 관련된 주요 단계와 이들이 Ultralytics Platform에서 어떻게 결합되는지 살펴보았습니다.

이러한 핵심 기능 외에도 학습 워크플로우를 향상시키는 추가 기능이 있습니다. 다음은 모델 학습을 위해 Ultralytics Platform을 사용할 때의 주요 이점들에 대한 개요입니다.

• 내장된 실험 재현성: 모든 학습 실행은 모델, 데이터셋, 파라미터 및 컴퓨팅 설정을 포함한 전체 구성과 함께 자동으로 기록됩니다. 이를 통해 실험을 쉽게 다시 방문하고 결과를 안정적으로 재현할 수 있습니다.
• 시간에 따른 학습 인사이트: 최종 결과만 확인하는 대신 에포크(epoch)에 따른 성능 변화를 추적할 수 있어, 학습 중 모델의 동작을 더 깊이 이해하는 데 도움이 됩니다.
• 운영 오버헤드 감소: 환경 설정, 의존성 관리 및 인프라를 백그라운드에서 처리하므로, 설정보다는 모델 개발에 더 집중할 수 있습니다.
• 중앙 집중식 실험 관리: 프로젝트는 모델, 데이터셋, 학습 실행을 관리하는 단일 플랫폼 역할을 하며, 워크플로가 복잡해지더라도 실험을 체계적으로 유지하도록 돕습니다.

핵심 요약#

학습은 머신러닝 모델 생애 주기에서 가장 중요한 단계 중 하나입니다. 이는 모델이 시각적 데이터를 얼마나 정확하게 인식하고 해석할 수 있는지를 결정합니다.

Ultralytics Platform은 학습 데이터 구성, 모니터링, 실험 비교 및 비용 추정을 하나의 환경으로 통합하여, 고성능 컴퓨터 비전 모델을 구축하고 배포를 준비하는 과정을 간소화합니다.

컴퓨터 비전에 대해 자세히 알아보려면 당사의 성장하는 community와 GitHub repository를 확인해 보세요. 비전 솔루션을 구축하고자 한다면 당사의 licensing options을 살펴보세요. manufacturing에서의 computer vision 및 agriculture에서의 AI의 이점에 대해 자세히 알아보려면 솔루션 페이지를 탐색해 보세요.