데이터에서 배포까지의 과정을 가속화하기 위해 구축된 엔드투엔드 환경인 Ultralytics 통해 YOLO 더 빠르게 훈련하는 방법을 확인해 보세요.
데이터에서 배포까지의 과정을 가속화하기 위해 구축된 엔드투엔드 환경인 Ultralytics 통해 YOLO 더 빠르게 훈련하는 방법을 확인해 보세요.
지난주, Ultralytics 팀이 컴퓨터 비전 모델을 구축, 훈련 및 배포하는 과정을 간소화하기 위해 설계된 통합 작업 공간인 Ultralytics ( Ultralytics )’을 Ultralytics . 이 플랫폼은 여러 도구를 번갈아 사용해야 하는 번거로움을 없애고 모든 기능을 한곳에 통합합니다. 이를 통해 비전 AI 모델을 구상부터 배포까지 손쉽게 진행할 수 있게 되었습니다.
이는 컴퓨터 비전이 다양한 산업의 핵심 요소로 빠르게 자리 잡고 있기 때문에 매우 중요합니다. 컴퓨터 비전은 제조 검사, 소매 분석, 자율 주행과 같은 응용 분야의 기반이 됩니다.
이러한 비전 기반 애플리케이션을 신뢰할 수 있는 시스템으로 구현하는 것은 모델이 얼마나 잘 훈련되었는지에 달려 있습니다. 모델 훈련은 모델이 패턴을 인식하고 정확한 예측을 할 수 있도록 라벨이 지정된 데이터로부터 학습하는 과정을 포함합니다. 일반적으로 잘 훈련된 모델은 실제 적용 환경에서 더 우수한 성능과 더 신뢰할 수 있는 결과를 가져옵니다.
하지만 컴퓨터 비전 모델을 훈련시키는 일이 항상 쉬운 것만은 아닙니다. 여기에는 환경 구축, 적절한 컴퓨팅 리소스 선정, 하이퍼파라미터 조정, 여러 훈련 실험의 진행 상황 추적 등 다양한 요소가 포함됩니다. 이러한 단계들이 서로 다른 도구와 시스템에 분산되어 있을 경우, 훈련 워크플로는 금세 복잡해지고 관리하기 어려워집니다.
Ultralytics 전체 훈련 과정을 하나의 통합 대시보드에 모아 이 문제를 해결합니다. 클라우드, 로컬, 또는 Google 환경에서 작업하든 상관없이, 한 곳에서 훈련 작업을 구성하고 실행하며 모니터링할 수 있습니다.
이 글에서는 Ultralytics 모델 훈련 과정을 어떻게 간소화하는지, 그리고 왜 이 플랫폼이 비전 AI 프로젝트에서 경쟁 우위를 확보하는 데 도움이 되는지 살펴보겠습니다. 그럼 시작해 볼까요!
Ultralytics 모델 훈련이 어떻게 이루어지는지 자세히 살펴보기 전에, 먼저 한 걸음 물러서서 모델 훈련이 무엇인지, 그리고 그 과정에 어떤 요소들이 포함되는지 차근차근 살펴보겠습니다.
모델 훈련은 컴퓨터 비전 모델이 시각 데이터를 해석하는 방법을 학습하는 과정입니다. 이 과정에서는 이미지나 동영상을 분석하고, 내부 매개변수를 점진적으로 조정하여 물체 탐지, 이미지 분류, 인스턴스 분할과 같은 비전 작업을 정확하게 수행할 수 있도록 합니다. 시간이 지남에 따라 모델은 학습한 데이터에서 직접 패턴을 파악함으로써 성능이 향상됩니다.
훈련의 품질은 데이터셋에 크게 좌우됩니다. 데이터셋을 마치 교사가 학생을 가르칠 때 사용하는 플래시카드 세트라고 생각하면 됩니다. 여기서 각 예시는 모델이 무엇을 찾아야 하는지 학습하는 데 도움을 줍니다.
일반적인 컴퓨터 비전 데이터셋에는 주로 JPG나 PNG 형식의 이미지와, 각 이미지에 무엇이 담겨 있는지 설명하는 주석이 포함됩니다. 주로 JSON이나 TXT 파일로 저장되는 이러한 주석은 모델이 효과적으로 학습하는 데 필요한 레이블과 맥락을 제공합니다.
하지만 모델 훈련은 단순히 모델에 데이터를 입력하는 것만이 아닙니다. 데이터셋 준비부터 적합한 모델 선택, 훈련 과정 설정에 이르기까지 여러 핵심 단계가 포함됩니다. 다음으로, 이러한 단계 중 몇 가지를 자세히 살펴보겠습니다.
데이터셋만 있으면 바로 모델 훈련을 시작할 수 있을 것 같지만, 데이터셋을 분할하는 등 먼저 거쳐야 할 몇 가지 단계가 있습니다.
일반적으로 데이터셋은 훈련 세트, 검증 세트, 테스트 세트의 세 부분으로 나뉩니다. 훈련 이미지는 모델이 데이터의 패턴을 학습하는 데 사용되는 반면, 검증 세트는 훈련 과정에서 성능을 모니터링하고 미세 조정하는 데 도움을 줍니다.
테스트 세트는 마지막 단계에서 모델이 완전히 새로운, 이전에 본 적 없는 데이터에 대해 얼마나 잘 작동하는지 평가하는 데 사용됩니다. 이러한 구성은 모델이 단순히 데이터를 암기하는 데 그치지 않고 실제 상황에 적용할 수 있도록 하는 데 도움이 됩니다.
훈련을 시작하기 전에 또 다른 중요한 단계는 사용할 모델을 선택하는 것입니다. 대부분의 경우, 이는 사전 훈련된 모델을 선택하는 것을 의미합니다. Ultralytics YOLO 같은 모델들은 이미 방대한 데이터셋을 통해 훈련을 마쳤으며 일반적인 시각적 패턴을 학습했기 때문에, 훌륭한 출발점이 됩니다.
이러한 모델을 사용하는 것은 전이 학습의 한 예로, 기존 지식을 바탕으로 모델을 구축하여 특정 작업에 맞게 조정하는 방식입니다. 이 접근 방식은 특히 데이터가 부족한 상황에서 훈련 속도를 높이고 결과를 개선하는 데 도움이 됩니다.
이 모델들은 다양한 규모로 제공되며, 각각 속도와 정확도 사이에서 상충 관계를 보입니다. 규모가 작은 모델은 더 빠르고 효율적이지만, 규모가 큰 모델은 정확도가 더 높은 편인 반면 더 많은 연산 자원을 필요로 합니다.
데이터셋을 준비하고 모델을 선택한 후에는, 다음 단계로 모델이 학습하는 방식을 설정해야 합니다.
컴퓨터 비전 모델은 데이터를 처리하고, 가중치를 업데이트하며, 시간이 지남에 따라 성능을 향상시키는 방식을 결정하는 일련의 매개변수를 사용하여 학습됩니다. 이러한 설정은 학습 속도와 최종 정확도에 직접적인 영향을 미치므로, 우수한 결과를 얻기 위해 필수적입니다.
다음은 가장 흔히 사용되는 훈련 매개변수들입니다:
Ultralytics YOLO 워크플로우에서는 이러한 구성 사항이 대개 YAML 파일에 정의됩니다. 이 파일은 데이터셋 경로, 클래스 이름, 데이터 분할 방식을 명시합니다. 이는 모델이 데이터셋을 어떻게 해석해야 하는지 알려주는 핵심 구성 파일 역할을 합니다.
방금 데이터셋 준비부터 모델 선택, 훈련 매개변수 설정에 이르기까지 컴퓨터 비전 모델을 훈련하는 데 필요한 주요 단계들을 살펴보았습니다. 실제로는 이 과정이 더 나아가 실험 결과를 추적하고, 여러 번의 훈련 결과를 비교하며, 시간이 지남에 따라 모델을 지속적으로 개선하는 단계까지 포함되는 경우가 많습니다.
이러한 단계들이 한 곳에서 처리되는 경우는 거의 없습니다. 데이터셋은 한 도구에서 준비되고, 훈련은 다른 환경에서 수행되며, 실험 추적은 별도로 관리되기도 합니다. 프로젝트가 커질수록 이러한 분산된 구조는 복잡성을 가중시키고, 반복 작업 속도를 늦추며, 모든 것을 체계적으로 관리하기 어렵게 만듭니다.
Ultralytics 전체 훈련 워크플로를 하나의 환경으로 통합함으로써 이러한 복잡성을 해소합니다. 여러 도구를 오가며 작업할 필요 없이, 데이터셋 관리, 훈련 설정, 실험 실행, 결과 모니터링까지 모든 작업을 한 곳에서 처리할 수 있습니다.
다음으로, Ultralytics 모델 훈련을 어떻게 더욱 효율적으로 만드는지 자세히 살펴보겠습니다.
실제 적용 환경에서는 컴퓨터 비전 모델을 훈련할 때 유연한 환경이 필요한 경우가 많습니다. 데이터 세트의 규모, 모델의 복잡성, 사용 가능한 하드웨어에 따라 클라우드, 로컬 머신 또는 외부 노트북 환경을 통해 훈련을 수행할 수 있습니다.
Ultralytics 이러한 요구 사항을 충족하기 위해 다음과 같은 교육 옵션을 제공합니다:
컴퓨터 비전 프로젝트의 경우, 로컬 환경이나 노트북 환경에서 모델을 훈련시키는 것이 항상 쉬운 일은 아닙니다.
예를 들어, 로컬 훈련의 경우 성능이 전적으로 하드웨어에 좌우되기 때문에, 이로 인해 연산 능력이 제한되고 실험 속도가 느려질 수 있습니다. 효율적인 훈련을 위해서는 GPU가 필수적이지만, 모든 환경에서 GPU를 안정적으로 사용할 수 있는 것은 아닙니다.
Google 같은 노트북 환경은 클라우드 기반 GPU를 제공함으로써 대안을 제시하지만, 세션이 일시적인 경우가 많아 장시간의 훈련 과정을 방해할 수 있습니다. 데이터 세트가 커지고 워크플로가 복잡해질수록 이러한 한계는 금세 병목 현상으로 이어져, 훈련 속도가 느려지고 안정성이 떨어지게 됩니다.
Ultralytics 클라우드 훈련 옵션을 통해 이러한 문제를 해결합니다. 이 플랫폼은 Python 및 PyTorch 같은 프레임워크가 미리 PyTorch 즉시 사용 가능한 환경을 제공하므로, 별도의 설정 과정 없이 바로 훈련을 시작할 수 있습니다.
단일 대시보드에서 훈련 작업을 시작하고 진행 상황을 실시간으로 모니터링할 수 있습니다. 이를 통해 인프라 관리에 시간을 할애하는 대신 모델 개선에 더 집중할 수 있습니다.
그럼 이제 Ultralytics 플랫폼에서 클라우드 교육을 시작하는 방법을 알아보겠습니다.
첫 번째 단계는 훈련용 기본 모델을 선택하는 것입니다. 사전 훈련된 Ultralytics YOLO 선택하거나, 커뮤니티 모델을 복제하거나, 사용자 지정 요구 사항을 충족하기 위해 직접 사전 훈련된 가중치를 업로드할 수 있습니다.
이 플랫폼은 Ultralytics 포함한 모든 Ultralytics YOLO 지원하며, Ultralytics YOLO11, Ultralytics YOLOv8, 그리고 Ultralytics YOLOv5는 각각 나노(n), 스몰(s), 미디엄(m), 라지(l), 엑스트라 라지(x)와 같은 다양한 크기 변형으로 제공됩니다. 각 모델 변형은 속도와 정확도 간의 균형을 달리 제공하므로, 성능 및 컴퓨팅 요구 사항에 맞는 모델을 선택할 수 있습니다.
이 모델들은 물체 탐지, 인스턴스 분할, 이미지 분류, 방향 기반 바운딩 박스(OBB) 탐지, 자세 추정 등 Ultralytics YOLO 이미 익숙한 다양한 컴퓨터 비전 작업을 지원합니다.
특정 요구 사항이 있는 경우, 직접 사전 학습된 모델 가중치를 업로드할 수도 있습니다. 즉, 처음부터 새로 시작하는 대신 플랫폼 내에서 물체 탐지기와 같은 기존 모델을 계속 훈련하거나 미세 조정할 수 있습니다. 이는 이미 다른 곳에서 모델을 훈련한 적이 있거나, 모델을 보다 구체적인 사용 사례에 맞게 조정하고자 할 때 특히 유용합니다.
다음 단계는 훈련용 데이터셋을 선택하는 것입니다. Ultralytics COCO 같은 기존 데이터셋을 사용하거나, 커뮤니티의 데이터셋을 복제하거나, 특정 용도에 맞게 직접 제작한 사용자 지정 데이터셋을 업로드할 수 있습니다.
이 플랫폼은 Ultralytics YOLO COCO 같은 일반적인 주석 형식을 지원하며, 플랫폼에서 직접 사용자 지정 데이터에 주석을 달 계획이라면 원본 이미지 업로드도 처리할 수 있습니다.
데이터셋이 업로드되면 검증, 정규화, 레이블 분석, 통계 생성 등의 처리가 자동으로 수행됩니다. 이를 통해 클래스 분포와 데이터셋 구조를 비롯한 데이터 현황을 즉시 파악할 수 있으며, 모든 준비가 완료되어 학습을 시작할 수 있도록 도와줍니다.
데이터셋은 훈련 실행과 자동으로 연결되므로, 각 모델에 track 데이터가 사용되었는지 track 실험 전반에 걸쳐 일관성을 유지할 수 있습니다.
데이터셋을 선택한 후에는 모델의 학습 방식을 제어하는 훈련 매개변수를 설정할 수 있습니다. 여기에는 에포크, 배치 크기, 이미지 크기, 그리고 훈련 로그의 실행 이름이 포함됩니다. 이러한 매개변수 중 상당수는 훈련 소요 시간과 모델의 최종 성능 모두에 영향을 미칩니다.
보다 정교한 훈련을 위해, 이 플랫폼에서는 학습률, 최적화기 유형, 색상 증강 설정 및 기타 훈련 옵션과 같은 고급 매개변수를 조정할 수도 있습니다. 이러한 설정을 통해 훈련 과정을 미세 조정하여 모델의 정확도와 안정성을 높일 수 있습니다.
다음으로, 훈련 실행에 사용할 GPU 선택할 수 있습니다. 적합한 GPU 선택하는 것은 데이터셋 크기, 배치 크기, 이미지 해상도, 모델의 복잡도 등의 요소에 따라 GPU . 적절한 균형을 찾는 것은 필요 이상의 연산 자원을 소모하지 않으면서도 훈련 효율을 유지하는 데 도움이 됩니다.
Ultralytics 다양한 용량의 VRAM( GPU)과 연산 성능을 갖춘 22가지 GPU 제공하여, 소규모 작업부터 대규모 워크로드에 이르기까지 모든 작업을 지원합니다.
이를 통해 경량 모델을 훈련하든, 방대하고 복잡한 데이터셋을 다루든, 사용자의 구체적인 요구 사항에 맞춰 하드웨어를 구성할 수 있습니다. 자세한 내용은 Ultralytics 플랫폼 훈련 문서 페이지에서 지원되는 GPU 목록을 확인해 주세요.
모델, 데이터셋, 훈련 매개변수 및 컴퓨팅 옵션을 선택하면 훈련을 시작하는 데는 시간이 오래 걸리지 않습니다. 대시보드에서 단 한 번의 클릭만으로 훈련을 시작할 수 있으며, 플랫폼이 환경을 초기화하고 GPU 작업을 실행하는 등 나머지 과정을 처리합니다.
훈련이 시작되면 플랫폼 내에서 직접 진행 상황을 확인할 수 있습니다. ‘훈련’ 탭에서는 성능 지표, 손실 곡선, 시스템 사용량, 실시간 훈련 로그 등 주요 지표를 실시간으로 확인할 수 있습니다.
지역별 교육 과정이나 Ultralytics Google 사용하는 방법에 대해 자세히 알아보려면, Ultralytics Platform 공식문서의 튜토리얼을 참고하시기 바랍니다.
훈련이 완료되면 다음 단계는 모델의 성능을 평가하는 것입니다. Ultralytics 프로젝트 내의 여러 훈련 결과를 비교할 수 있어, 각 실험의 성과를 명확하게 파악할 수 있습니다.
모델을 개발할 때, 결과를 개선하기 위해 학습률, 배치 크기, 모델 크기 등을 변경하는 등 다양한 설정으로 훈련 과정을 여러 번 반복하는 경우가 많습니다. 이러한 각 실행마다 약간씩 다른 모델이 생성되므로, 이들 모델을 비교하는 것이 매우 중요합니다.
프로젝트는 모델과 실험을 한곳에 체계적으로 정리해 두는 중심 허브 역할을 합니다. 여러 도구나 화면 사이를 오갈 필요 없이 track , 결과를 검토하며, 작업에 집중할 수 있습니다.
이 통합 뷰를 통해 정밀도, 재현율, mAP 평균 정밀도)와 같은 주요 성능 지표를 분석하여 모델이 다양한 클래스에서 어떻게 작동하는지 파악할 수 있습니다. 또한 여러 훈련 실행 결과를 나란히 비교하여 어떤 구성에서 최상의 결과를 얻을 수 있는지 확인할 수 있습니다.
이러한 지표와 함께 ‘예측’ 탭을 사용하면 훈련된 모델을 샘플 이미지나 데이터에 대해 빠르게 테스트할 수 있어, 성능을 시각적으로 확인하고 잠재적인 문제를 파악하는 데 도움이 됩니다.
이러한 분석 결과를 바탕으로, 일반적으로 “best.pt” 체크포인트로 저장된 최상의 성능을 보이는 모델을 선택하고, 추가 평가, 모델을 활용한 추론 실행, 또는 플랫폼을 통한 모델 배포 등 다음 단계로 진행할 수 있습니다.
클라우드에서 물체 탐지 모델을 훈련하면, 특히 고성능 GPU를 사용할 경우 컴퓨팅 비용이 발생합니다. 이를 보다 편리하게 이용할 수 있도록, Ultralytics 훈련을 시작하기 전에 예상 비용을 제공합니다.
이를 통해 예상 사용량을 명확하게 파악할 수 있어, 훈련 작업을 시작하기 전에 워크로드를 계획하고, 예산을 관리하며, 예상치 못한 비용을 방지하는 데 도움이 됩니다. 훈련을 시작하기 전에 예상 비용을 확인하는 방법은 다음과 같습니다.
비용을 정확하게 산정하기 위해, 플랫폼은 먼저 단일 훈련 에포크가 소요되는 시간을 계산합니다. 이는 데이터셋 크기, 모델 크기, 이미지 해상도, 배치 크기, 그리고 선택한 GPU 성능과 같은 요인에 따라 달라집니다.
이러한 입력값을 바탕으로 에포크당 예상 시간을 산출하고, 이를 전체 훈련 과정에 적용합니다. 총 소요 시간은 모든 에포크의 소요 시간에 약간의 초기화 오버헤드를 더하여 계산됩니다.
이러한 오버헤드는 환경 초기화, 데이터셋 로딩, GPU 준비와 같은 작업을 포함하며, 이를 통해 추정치가 단순한 훈련 루프뿐만 아니라 전체 훈련 과정을 반영하도록 보장합니다.
총 훈련 시간이 추산되면, 플랫폼은 선택한 GPU 시간당 요금을 적용하여 이를 비용으로 환산합니다.
훈련 시간과 GPU 결합하면, 실행을 시작하기도 전에 그 비용이 얼마나 들지 명확하게 예측할 수 있습니다.
사전에 상황을 파악할 수 있으면 훈련 매개변수를 조정하거나 다른 GPU 선택하는 등 설정을 쉽게 변경할 수 있어, 성능과 비용의 균형을 보다 효과적으로 맞출 수 있습니다.
지금까지 컴퓨터 비전 모델을 훈련하는 데 필요한 주요 단계와, 이러한 단계들이 Ultralytics 플랫폼에서 어떻게 통합되는지 살펴보았습니다.
이러한 핵심 기능 외에도, 모델 훈련 워크플로를 개선해 주는 추가 기능들이 있습니다. 다음은 모델 훈련에 Ultralytics 활용할 때 얻을 수 있는 주요 이점들에 대한 개요입니다:
훈련은 머신러닝 모델 수명 주기에서 가장 중요한 단계 중 하나입니다. 이는 모델이 시각적 데이터를 얼마나 정확하게 인식하고 해석할 수 있는지를 결정합니다.
Ultralytics 훈련 데이터 구성, 모니터링, 실험 비교 및 비용 추정을 하나의 환경에 통합함으로써, 고성능 컴퓨터 비전 모델을 구축하고 배포 준비를 완료하는 과정을 간소화합니다.
컴퓨터 비전에 대해 더 자세히 알아보시려면, 점점 더 성장하고 있는 저희 커뮤니티와 GitHub 저장소를 확인해 보세요. 비전 솔루션을 구축하고자 하신다면, 저희의 라이선스 옵션을 살펴보시기 바랍니다. 제조 분야에서의 컴퓨터 비전과 농업 분야에서의 AI가 제공하는 이점에 대해 더 자세히 알아보시려면 솔루션 페이지를 확인해 보세요.
미래의 머신러닝 여정을 시작하세요