Ultralytics Platform으로 YOLO 모델을 더 빠르게 학습하세요

지난주 Ultralytics는 팀이 컴퓨터 비전 모델을 구축하고, 학습하고, 배포하는 방식을 간소화하도록 설계된 통합 작업 공간인 Ultralytics Platform을 소개했습니다. 여러 도구를 번갈아 사용할 필요 없이 플랫폼 하나에서 모든 작업을 처리할 수 있습니다. 비전 AI 모델을 아이디어 단계에서 배포까지 진행하는 일이 번거롭지 않게 됩니다.

이는 컴퓨터 비전이 다양한 산업에서 빠르게 핵심 요소로 자리 잡고 있기 때문에 매우 중요합니다. 컴퓨터 비전은 제조 검사, 리테일 분석, 자율 주행과 같은 애플리케이션을 구동합니다.

이러한 비전 기반 애플리케이션을 신뢰할 수 있는 시스템으로 전환하려면 모델이 얼마나 잘 학습되는지가 중요합니다. 모델 학습은 레이블이 지정된 데이터에서 학습하여 모델이 패턴을 인식하고 정확한 예측을 수행하도록 하는 과정입니다. 일반적으로 잘 학습된 모델은 실제 애플리케이션에서 더 나은 모델 성능과 안정적인 결과를 제공합니다.

그러나 컴퓨터 비전 모델 학습이 항상 간단한 것은 아닙니다. 환경 설정, 적절한 컴퓨팅 리소스 선택, 하이퍼파라미터 튜닝, 여러 학습 실험 추적 등 다양한 요소가 포함됩니다. 이러한 단계가 서로 다른 도구와 시스템에 분산되면 학습 워크플로가 빠르게 복잡해지고 관리하기 어려워집니다.

Ultralytics Platform은 전체 학습 프로세스를 하나의 통합 대시보드로 가져와 이 문제를 해결합니다. 클라우드, 로컬 환경 또는 Google Colab에서 작업하든 한곳에서 학습 작업을 구성하고 실행하며 모니터링할 수 있습니다.

그림 1. Ultralytics Platform에서의 모델 학습 미리보기 (출처)

이 글에서는 Ultralytics Platform이 모델 학습을 간소화하는 방식과 비전 AI 프로젝트에서 경쟁 우위를 제공할 수 있는 이유를 살펴봅니다. 시작해 보겠습니다!

컴퓨터 비전 모델은 모델 학습을 통해 데이터에서 학습합니다#

Ultralytics Platform에서 모델 학습이 작동하는 방식을 살펴보기 전에 먼저 한 걸음 물러나 모델 학습이 무엇이며 어떤 과정으로 이루어지는지 알아보겠습니다.

모델 학습은 컴퓨터 비전 모델이 시각 데이터를 해석하는 방법을 학습하는 과정입니다. 모델은 이미지나 동영상을 분석하고 내부 파라미터를 점진적으로 조정하여 객체 탐지, 이미지 분류, 인스턴스 세그멘테이션과 같은 비전 작업을 정확하게 수행합니다. 시간이 지나면서 모델은 관측한 데이터에서 패턴을 직접 학습하여 성능을 향상합니다.

학습 품질은 데이터셋에 크게 좌우됩니다. 데이터셋을 교사가 학생을 가르칠 때 사용하는 플래시카드 묶음이라고 생각할 수 있습니다. 각 예제가 모델이 무엇을 찾아야 하는지 학습하는 데 도움을 줍니다.

일반적인 컴퓨터 비전 데이터셋에는 보통 JPG 또는 PNG 형식의 이미지와 각 이미지에 포함된 내용을 설명하는 어노테이션이 들어 있습니다. 이러한 어노테이션은 JSON 또는 TXT 파일로 저장되는 경우가 많으며, 모델이 효과적으로 학습하는 데 필요한 레이블과 컨텍스트를 제공합니다.

하지만 학습은 단순히 모델에 데이터를 입력하는 것만을 의미하지 않습니다. 데이터셋 준비부터 적절한 모델 선택, 학습 프로세스 구성까지 여러 핵심 단계가 포함됩니다. 이제 이러한 단계 중 몇 가지를 자세히 살펴보겠습니다.

데이터셋 준비 과정 살펴보기#

데이터셋이 있으면 즉시 모델 학습을 시작할 수 있을 것 같지만, 먼저 데이터셋 분할과 같은 몇 가지 단계를 수행해야 합니다.

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

테스트 세트는 마지막에 완전히 새롭고 학습에 사용되지 않은 데이터에서 모델이 얼마나 잘 작동하는지 평가하는 데 사용됩니다. 이러한 구성은 모델이 데이터를 단순히 암기하는 데 그치지 않고 실제 시나리오에 일반화할 수 있도록 합니다.

학습에 적합한 모델 선택하기#

학습 전에 수행할 또 다른 중요한 단계는 사용할 모델을 선택하는 것입니다. 많은 경우 사전 학습된 모델을 선택하게 됩니다. Ultralytics YOLO 모델과 같은 모델은 이미 대규모 데이터셋으로 학습되어 일반적인 시각적 패턴을 학습했으므로 강력한 출발점이 됩니다.

이러한 모델을 사용하는 것은 전이 학습의 한 예입니다. 전이 학습에서는 기존 지식을 바탕으로 모델을 특정 작업에 맞게 조정합니다. 이 접근 방식은 특히 제한된 데이터로 작업할 때 학습 속도를 높이고 결과를 개선하는 데 도움을 줍니다.

이러한 모델은 다양한 크기로 제공되며, 각 크기는 속도와 정확도 사이에서 서로 다른 절충점을 제공합니다. 작은 모델은 더 빠르고 효율적인 반면, 큰 모델은 일반적으로 더 높은 정확도를 제공하지만 더 많은 컴퓨팅 리소스가 필요합니다.

비전 모델의 학습 파라미터 구성하기#

준비된 데이터셋을 확보하고 모델을 선택한 후에는 모델이 학습하는 방식을 구성해야 합니다.

컴퓨터 비전 모델은 데이터를 처리하고 가중치를 업데이트하며 시간이 지나면서 개선되는 방식을 결정하는 파라미터 집합을 사용해 학습됩니다. 이러한 설정은 학습 속도와 최종 정확도 모두에 직접적인 영향을 미치므로 우수한 결과를 얻는 데 필수적입니다.

다음은 가장 일반적으로 사용되는 학습 파라미터입니다.

• Epochs: 학습 중 모델이 전체 데이터셋을 반복해서 처리하는 횟수입니다. 에포크 수를 늘리면 모델이 데이터에서 패턴을 학습할 기회가 더 많아집니다.
• Batch size: 한 번의 학습 단계에서 함께 처리되는 이미지 수입니다. 배치 크기가 클수록 학습 속도가 빨라질 수 있지만 더 많은 메모리가 필요합니다.
• Image size: 학습 중 사용되는 입력 이미지의 해상도를 지정합니다. 해상도가 높으면 탐지 정확도가 향상될 수 있지만 컴퓨팅 비용이 증가합니다.
• Learning rate: 학습 중 모델이 내부 파라미터를 업데이트하는 속도입니다. 값이 너무 높거나 낮으면 학습이 불안정해질 수 있습니다.
• Optimizer: 각 학습 반복에서 계산된 오류를 바탕으로 모델의 파라미터를 업데이트하는 알고리즘입니다.

Ultralytics YOLO 기반 워크플로에서는 일반적으로 이러한 구성을 YAML 파일에 정의합니다. 이 파일은 데이터셋 경로, 클래스 이름, 데이터 분할 방식을 지정합니다. 또한 모델에 데이터셋을 해석하는 방법을 알려주는 중앙 구성 파일 역할을 합니다.

분산된 워크플로에서 Ultralytics Platform의 통합 경험으로#

지금까지 데이터셋 준비, 모델 선택, 학습 파라미터 구성 등 컴퓨터 비전 모델 학습에 포함되는 몇 가지 핵심 단계를 살펴보았습니다. 실제로는 실험 추적, 여러 학습 실행 비교, 시간에 따른 지속적인 모델 개선까지 프로세스가 더 확장되는 경우가 많습니다.

이러한 단계가 한곳에서 처리되는 경우는 드뭅니다. 데이터셋은 한 도구에서 준비하고, 학습 실행은 다른 환경에서 수행하며, 실험 추적은 별도로 관리할 수 있습니다. 프로젝트가 성장하면 이러한 분산으로 인해 복잡성이 증가하고 반복 작업이 느려지며 모든 항목을 체계적으로 관리하기가 어려워집니다.

Ultralytics Platform은 전체 학습 워크플로를 하나의 환경으로 통합하여 이러한 복잡성을 제거합니다. 여러 도구를 전환하는 대신 한곳에서 데이터셋을 관리하고, 학습을 구성하고, 실험을 실행하고, 결과를 모니터링할 수 있습니다.

이제 Ultralytics Platform이 모델 학습을 더 효율적으로 만드는 방법을 자세히 살펴보겠습니다.

Ultralytics Platform에서 지원하는 학습 옵션#

실제 애플리케이션에서는 컴퓨터 비전 모델 학습에 유연한 환경이 필요한 경우가 많습니다. 데이터셋의 크기, 모델의 복잡성, 사용 가능한 하드웨어에 따라 클라우드, 로컬 머신 또는 외부 노트북 환경에서 학습을 실행할 수 있습니다.

Ultralytics Platform은 이러한 요구 사항을 충족하도록 다음 학습 옵션을 지원합니다.

• Cloud training: Ultralytics가 관리하는 클라우드 그래픽 처리 장치(GPU)에서 학습을 실행합니다. 이 옵션은 상당한 컴퓨팅 리소스가 필요한 대규모 데이터셋이나 복잡한 모델에 적합합니다.
• Local training: 머신에서 사용할 수 있는 하드웨어를 활용하며, 빠른 실험, 구성 테스트 또는 소규모 데이터셋 작업에 적합합니다. 확장 가능한 워크로드의 경우 AWS나 GCP와 같은 자체 클라우드 환경에서도 학습을 실행할 수 있습니다.
• Google Colab: Ultralytics Platform을 사용하면 Google Colab의 호스팅 노트북 환경에서 학습을 실행할 수 있으므로 로컬 머신을 구성하지 않고도 유연한 브라우저 기반 워크플로를 사용할 수 있습니다.

Ultralytics Platform에서 클라우드 학습 살펴보기#

컴퓨터 비전 프로젝트에서 모델을 로컬이나 노트북 환경을 통해 학습하는 일은 항상 쉽지만은 않습니다.

예를 들어 로컬 학습에서는 성능이 전적으로 하드웨어에 좌우되므로 컴퓨팅 성능이 제한되고 실험 속도가 느려질 수 있습니다. 효율적인 학습에는 GPU가 필수적이지만, 모든 환경에서 GPU에 안정적으로 액세스할 수 있는 것은 아닙니다.

Google Colab과 같은 노트북 환경은 클라우드 기반 GPU를 제공하여 대안을 제시하지만, 세션이 일시적인 경우가 많아 장시간 학습 실행이 중단될 수 있습니다. 데이터셋이 커지고 워크플로가 복잡해지면 이러한 제약이 빠르게 병목으로 이어져 학습이 느려지고 안정성이 저하될 수 있습니다.

Ultralytics Platform은 클라우드 학습 옵션으로 이러한 문제를 해결합니다. Python 종속성과 PyTorch 같은 프레임워크가 사전 구성된 즉시 사용 가능한 환경을 제공하므로 추가 설정 없이 학습을 시작할 수 있습니다.

단일 대시보드에서 학습 작업을 시작하고 진행 상황을 실시간으로 모니터링할 수 있습니다. 따라서 인프라 관리보다 모델 개선에 집중하기가 쉬워집니다.

이제 Ultralytics Platform에서 클라우드 학습을 시작하는 방법을 살펴보겠습니다.

1단계: 기본 모델 선택#

첫 번째 단계는 학습 실행에 사용할 기본 모델을 선택하는 것입니다. 사전 학습된 Ultralytics YOLO 모델을 선택하거나, 커뮤니티 모델을 복제하거나, 사용자 지정 요구 사항에 맞게 직접 사전 학습된 가중치를 업로드할 수 있습니다.

플랫폼은 Ultralytics YOLO26, Ultralytics YOLO11, Ultralytics YOLOv8, Ultralytics YOLOv5를 비롯한 모든 Ultralytics YOLO 모델을 지원합니다. 각 모델은 nano (n), small (s), medium (m), large (l), extra-large (x)와 같은 다양한 크기 변형으로 제공됩니다. 모델 변형마다 속도와 정확도 사이의 절충점이 다르므로 성능 및 컴퓨팅 요구 사항에 적합한 모델을 선택할 수 있습니다.

이러한 모델은 객체 탐지, 인스턴스 세그멘테이션, 이미지 분류, 방향성 바운딩 박스(OBB) 탐지, 포즈 추정 등 Ultralytics YOLO 사용자가 이미 익숙한 다양한 컴퓨터 비전 작업을 지원합니다.

사용자 지정 요구 사항이 있다면 직접 사전 학습된 모델 가중치를 업로드할 수도 있습니다. 따라서 처음부터 시작하는 대신 플랫폼에서 객체 검출기와 같은 기존 모델을 계속 학습하거나 미세 조정할 수 있습니다. 이미 다른 곳에서 모델을 학습했거나 더 구체적인 사용 사례에 맞게 모델을 조정하려는 경우 특히 유용합니다.

2단계: 데이터셋 선택#

다음 단계는 학습에 사용할 데이터셋을 선택하는 것입니다. Ultralytics Platform에서는 COCO 데이터셋과 같은 기존 데이터셋을 사용하거나, 커뮤니티 데이터셋을 복제하거나, 특정 애플리케이션에 맞춘 사용자 지정 데이터셋을 업로드할 수 있습니다.

플랫폼은 Ultralytics YOLO 및 COCO와 같은 일반적인 어노테이션 형식을 지원하며, 플랫폼에서 직접 사용자 지정 데이터에 어노테이션을 추가하려는 경우 원시 이미지 업로드도 처리할 수 있습니다.

업로드된 데이터셋은 검증, 정규화, 레이블 파싱, 통계 생성을 포함한 처리를 자동으로 거칩니다. 이를 통해 클래스 분포와 데이터셋 구조를 비롯한 데이터 상태를 즉시 확인할 수 있으며, 모든 항목이 학습 준비를 마쳤는지 확인하는 데 도움을 줍니다.

데이터셋은 학습 실행에도 자동으로 연결되므로 각 모델에 사용된 데이터를 추적하고 실험 전반의 일관성을 유지할 수 있습니다.

3단계: 학습 파라미터 구성#

데이터셋을 선택한 후에는 모델의 학습 방식을 제어하는 학습 파라미터를 구성할 수 있습니다. 여기에는 에포크, 배치 크기, 이미지 크기, 학습 로그의 실행 이름이 포함됩니다. 이러한 파라미터 중 다수는 학습 시간과 모델의 최종 성능 모두에 영향을 미칩니다.

더 세밀하게 제어되는 학습을 위해 플랫폼에서는 학습률, 옵티마이저 유형, 색상 증강 설정 및 기타 학습 옵션과 같은 고급 파라미터도 조정할 수 있습니다. 이러한 설정을 통해 학습 프로세스를 미세 조정하여 모델 정확도와 안정성을 향상할 수 있습니다.

4단계: GPU 선택#

다음으로 학습 실행에 사용할 GPU 구성을 선택할 수 있습니다. 적절한 GPU를 선택하려면 데이터셋 크기, 배치 크기, 이미지 해상도, 모델 복잡도와 같은 요소를 고려해야 합니다. 적절한 균형을 찾으면 필요 이상의 컴퓨팅 리소스를 사용하지 않으면서 학습 효율을 유지할 수 있습니다.

Ultralytics Platform은 VRAM(GPU의 메모리)과 컴퓨팅 성능이 서로 다른 22가지 GPU 옵션을 제공하여 소규모 작업부터 대규모 워크로드까지 지원합니다.

이를 활용하면 경량 모델을 학습하든 크고 복잡한 데이터셋을 처리하든 특정 요구 사항에 맞게 하드웨어를 선택할 수 있습니다. 자세한 내용은 Ultralytics Platform 학습 문서 페이지에서 사용 가능한 GPU 목록을 확인하세요.

그림 2. Ultralytics Platform에서 사용할 수 있는 일부 GPU 옵션 (출처)

5단계: 클라우드 학습 시작#

모델, 데이터셋, 학습 파라미터, 컴퓨팅 옵션을 선택하면 학습 실행을 빠르게 시작할 수 있습니다. 대시보드에서 한 번의 클릭으로 학습을 시작하면 플랫폼이 환경을 초기화하고 선택한 GPU에서 작업을 실행하는 나머지 과정을 처리합니다.

학습이 시작되면 플랫폼에서 직접 진행 상황을 모니터링할 수 있습니다. Train 탭에서는 성능 지표, 손실 곡선, 시스템 사용량, 실시간 학습 로그 등 주요 지표를 실시간으로 확인할 수 있습니다.

Ultralytics Platform에서 로컬 학습을 수행하거나 Google Colab을 사용하는 방법을 자세히 알아보려면 공식 Ultralytics Platform 문서에서 더 많은 튜토리얼을 확인할 수 있습니다.

Ultralytics Platform에서 모델 평가 및 비교하기#

학습이 완료되면 다음 단계는 모델의 성능을 평가하는 것입니다. Ultralytics Platform에서는 프로젝트 내 여러 학습 실행을 비교하여 서로 다른 실험의 성능을 명확하게 확인할 수 있습니다.

모델을 개발할 때는 결과를 개선하기 위해 학습률, 배치 크기, 모델 크기 등을 변경하며 학습을 여러 번 반복하는 경우가 많습니다. 각 실행에서 조금씩 다른 모델이 생성되므로 실행 결과를 비교하는 것이 중요합니다.

프로젝트는 모델과 실험을 함께 구성하는 중앙 허브 역할을 합니다. 여러 도구나 화면을 전환하지 않고 진행 상황을 추적하고 결과를 검토하며 작업에 집중할 수 있습니다.

이 통합된 화면에서 정밀도, 재현율, mAP(평균 정밀도)와 같은 주요 성능 지표를 분석하여 모델이 여러 클래스에서 어떻게 작동하는지 파악할 수 있습니다. 또한 학습 실행을 나란히 비교하여 어떤 구성이 가장 우수한 결과를 제공하는지 확인할 수 있습니다.

이러한 지표를 보완하기 위해 Predict 탭에서 학습된 모델을 샘플 이미지나 데이터에 빠르게 테스트할 수 있습니다. 이를 통해 성능을 시각적으로 검증하고 잠재적인 문제를 발견할 수 있습니다.

이러한 인사이트를 바탕으로 일반적으로 “best.pt” 체크포인트로 저장되는 최고 성능 모델을 선택하고 다음 단계로 진행할 수 있습니다. 다음 단계에는 추가 평가, 모델을 사용한 추론 실행, 플랫폼을 통한 모델 배포 등이 포함될 수 있습니다.

그림 3. Ultralytics Platform에서 지표를 확인하는 예시 (출처)

Ultralytics Platform에서 학습 비용 추정하기#

클라우드에서 객체 탐지 모델을 학습하면 컴퓨팅 비용이 발생하며, 고성능 GPU에 액세스할 때 특히 그렇습니다. Ultralytics Platform은 이러한 과정을 편리하게 수행할 수 있도록 학습 시작 전에 비용을 추정해 제공합니다.

예상 사용량을 명확하게 확인할 수 있으므로 학습 작업을 계획하고 예산을 관리하며 학습 작업을 시작하기 전에 예상치 못한 비용을 방지하는 데 도움이 됩니다. 학습을 시작하기 전에 예상 비용을 확인하는 방법은 다음과 같습니다.

학습 시간은 어떻게 추정되나요?#

비용을 정확하게 추정하기 위해 플랫폼은 먼저 단일 학습 에포크에 걸리는 시간을 계산합니다. 이 시간은 데이터셋 크기, 모델 크기, 이미지 해상도, 배치 크기, 선택한 GPU의 속도와 같은 요소에 따라 달라집니다.

이러한 입력값을 사용해 에포크당 예상 시간을 산출하고 전체 학습 실행에 맞게 확장합니다. 총 소요 시간은 모든 에포크에 걸린 시간을 합산하고 소규모 시작 오버헤드를 더해 계산합니다.

오버헤드에는 환경 초기화, 데이터셋 로드, GPU 준비와 같은 작업이 포함됩니다. 따라서 추정치가 학습 루프뿐 아니라 전체 학습 프로세스를 반영하도록 합니다.

학습 비용은 어떻게 계산되나요?#

총 학습 시간이 추정되면 플랫폼은 선택한 GPU의 시간당 요금을 사용해 이를 비용으로 환산합니다.

학습 시간과 GPU 요금을 결합하면 실행을 시작하기 전에도 해당 실행에 소요될 비용을 명확하게 추정할 수 있습니다.

사전에 비용을 확인할 수 있으므로 학습 파라미터를 조정하거나 다른 GPU를 선택하는 등 설정을 쉽게 변경하여 성능과 비용의 균형을 보다 효과적으로 맞출 수 있습니다.

그림 4. Ultralytics Platform에서 모델 학습 설정 및 비용 추정하기 (출처)

모델 학습에 Ultralytics Platform을 사용할 때의 주요 이점#

지금까지 컴퓨터 비전 모델 학습에 포함되는 핵심 단계와 이러한 단계가 Ultralytics Platform에서 어떻게 통합되는지 살펴보았습니다.

이러한 핵심 기능 외에도 학습 워크플로를 향상하는 추가 기능이 있습니다. 다음은 모델 학습에 Ultralytics Platform을 사용할 때의 주요 이점 중 일부를 간략히 소개한 내용입니다.

• 실험 재현성 내장: 모든 학습 실행은 모델, 데이터셋, 파라미터, 컴퓨팅 설정을 포함한 전체 구성과 함께 자동으로 기록됩니다. 따라서 실험을 쉽게 다시 확인하고 결과를 안정적으로 재현할 수 있습니다.
• 시간에 따른 학습 인사이트: 최종 결과만 확인하는 대신, 에포크 전반에서 성능이 어떻게 변화하는지 추적하여 학습 중 모델 동작을 더 잘 이해할 수 있습니다.
• 운영 오버헤드 감소: 플랫폼이 환경 설정, 종속성 관리, 인프라 처리를 백그라운드에서 담당하므로 설정 작업은 줄이고 모델 개발에 더 집중할 수 있습니다.
• 중앙 집중식 실험 구성: 프로젝트를 통해 모델, 데이터셋, 학습 실행을 한곳에서 관리할 수 있으므로 워크플로가 복잡해져도 실험을 체계적으로 구성할 수 있습니다.

핵심 요점#

학습은 머신 러닝 모델 수명 주기에서 가장 중요한 단계 중 하나입니다. 학습을 통해 모델이 시각 데이터를 얼마나 정확하게 인식하고 해석할 수 있는지가 결정됩니다.

Ultralytics Platform은 학습 데이터 구성, 모니터링, 실험 비교, 비용 산정을 하나의 환경에서 결합하여 고성능 컴퓨터 비전 모델을 구축하고 배포를 준비하는 프로세스를 간소화합니다.

컴퓨터 비전에 대해 자세히 알아보려면 성장 중인 커뮤니티와 GitHub 리포지토리를 확인해 보세요. 비전 솔루션을 구축하려는 경우 라이선스 옵션을 살펴보세요. 제조 분야의 컴퓨터 비전과 농업 분야의 AI가 제공하는 이점을 자세히 알아보려면 솔루션 페이지를 확인해 보세요.