Ultralytics Platform으로 YOLO 모델을 더 빠르게 학습하세요

지난주 Ultralytics는 팀이 컴퓨터 비전 모델을 구축하고 학습하며 배포하는 방식을 간소화하도록 설계된 통합 작업 공간인 Ultralytics Platform을 공개했습니다. 여러 도구를 번갈아 사용할 필요 없이 플랫폼 한곳에서 모든 작업을 수행할 수 있어 비전 AI 모델을 아이디어에서 배포까지 더 간편하게 진행할 수 있습니다.

컴퓨터 비전이 다양한 산업의 핵심 요소로 빠르게 자리 잡고 있기 때문에 이는 매우 중요합니다. 컴퓨터 비전은 제조 검사, 소매 분석, 자율 주행과 같은 애플리케이션을 지원합니다.

비전 기반 애플리케이션을 안정적인 시스템으로 구현하려면 모델을 얼마나 잘 학습시키는지가 중요합니다. 모델 학습은 모델이 패턴을 인식하고 정확하게 예측할 수 있도록 레이블이 지정된 데이터에서 학습하는 과정입니다. 일반적으로 모델을 잘 학습시키면 모델 성능이 향상되고 실제 애플리케이션에서 더 안정적인 결과를 얻을 수 있습니다.

그러나 컴퓨터 비전 모델 학습이 항상 간단한 것은 아닙니다. 환경 설정, 적절한 컴퓨팅 리소스 선택, 하이퍼파라미터 조정, 여러 학습 실험 추적 등 다양한 요소가 포함됩니다. 이러한 단계를 여러 도구와 시스템에 나누어 처리하면 학습 워크플로가 빠르게 복잡해지고 관리하기 어려워집니다.

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

그림 1. Ultralytics Platform에서 모델 학습 살펴보기 (출처)

이 문서에서는 Ultralytics Platform이 모델 학습을 어떻게 간소화하는지, 그리고 비전 AI 프로젝트에서 어떤 경쟁력을 제공할 수 있는지 살펴봅니다.

컴퓨터 비전 모델은 모델 학습을 통해 데이터에서 학습합니다#

Ultralytics Platform에서 모델 학습이 어떻게 작동하는지 자세히 살펴보기 전에, 먼저 한 걸음 물러나 모델 학습이 무엇이며 어떤 과정이 포함되는지 알아보겠습니다.

모델 학습은 컴퓨터 비전 모델이 시각 데이터를 해석하는 방법을 배우는 과정입니다. 모델은 이미지나 동영상을 분석하고 내부 파라미터를 점진적으로 조정해 객체 감지, 인스턴스 분할, 이미지 분류와 같은 비전 작업을 정확하게 수행합니다. 시간이 지남에 따라 모델은 입력 데이터에서 직접 패턴을 학습하며 성능을 개선합니다.

학습 품질은 데이터셋에 크게 좌우됩니다. 데이터셋은 교사가 학생을 가르칠 때 사용하는 플래시 카드 묶음과 같다고 볼 수 있으며, 각 예제가 모델이 무엇을 살펴봐야 하는지 학습하는 데 도움이 됩니다.

일반적인 컴퓨터 비전 데이터셋에는 보통 JPG 또는 PNG 형식의 이미지와 각 이미지의 내용을 설명하는 어노테이션이 포함됩니다. 흔히 JSON 또는 TXT 파일로 저장되는 이러한 어노테이션은 모델이 효과적으로 학습하는 데 필요한 레이블과 맥락을 제공합니다.

하지만 학습은 단순히 모델에 데이터를 입력하는 과정이 아닙니다. 데이터셋 준비부터 적합한 모델 선택, 학습 프로세스 설정까지 여러 핵심 단계가 포함됩니다. 이제 이러한 단계 중 몇 가지를 자세히 살펴보겠습니다.

데이터셋 준비 과정 살펴보기#

데이터셋을 확보하면 바로 모델 학습을 시작할 수 있을 것 같지만, 데이터셋 분할과 같이 먼저 거쳐야 할 단계가 몇 가지 있습니다.

일반적으로 데이터셋은 세 부분으로 나뉩니다: 학습 세트, 검증 세트, 테스트 세트입니다. 학습 이미지는 모델이 데이터의 패턴을 학습하는 데 사용되며, 검증 세트는 학습 중 성능을 모니터링하고 미세 조정하는 데 도움이 됩니다.

테스트 세트는 학습이 끝난 뒤 모델이 완전히 새롭고 보지 못한 데이터에서 얼마나 잘 작동하는지 평가하는 데 사용됩니다. 이러한 구성은 모델이 데이터를 단순히 암기하는 데 그치지 않고 실제 상황에 일반화할 수 있도록 합니다.

학습에 적합한 모델 선택#

학습 전에 거쳐야 할 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 시각 패턴을 익혔으므로 훌륭한 출발점이 됩니다.

이러한 모델을 사용하는 것은 기존 지식을 바탕으로 모델을 특정 작업에 맞게 조정하는 전이 학습의 한 예입니다. 이 접근 방식은 특히 데이터가 제한된 경우 학습 속도를 높이고 결과를 개선하는 데 도움이 됩니다.

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

비전 모델의 학습 파라미터 설정#

데이터셋을 준비하고 모델을 선택한 다음에는 모델의 학습 방식을 설정해야 합니다.

컴퓨터 비전 모델은 데이터를 처리하고 가중치를 업데이트하며 시간에 따라 성능을 개선하는 방식을 결정하는 파라미터 집합을 사용해 학습합니다. 이러한 설정은 학습 속도와 최종 정확도 모두에 직접 영향을 미치므로 우수한 결과를 얻는 데 필수적입니다.

가장 일반적으로 사용되는 학습 파라미터는 다음과 같습니다.

• 에포크: 학습 중 모델이 전체 데이터셋을 반복해서 처리하는 횟수를 나타냅니다. 에포크 수를 늘리면 모델이 데이터에서 패턴을 학습할 기회가 더 많아집니다.
• 배치 크기: 단일 학습 단계에서 함께 처리하는 이미지 수입니다. 배치 크기가 크면 학습 속도가 빨라질 수 있지만 더 많은 메모리가 필요합니다.
• 이미지 크기: 학습 중 입력 이미지에 사용할 해상도를 지정합니다. 해상도를 높이면 감지 정확도가 향상될 수 있지만 컴퓨팅 비용도 증가합니다.
• 학습률: 학습 중 모델이 내부 파라미터를 업데이트하는 비율입니다. 값이 너무 높거나 낮으면 학습이 불안정해질 수 있습니다.
• 옵티마이저: 각 학습 반복에서 계산된 오류를 바탕으로 모델 파라미터를 업데이트하는 알고리즘입니다.

Ultralytics YOLO 기반 워크플로에서는 이러한 설정을 학습 인수로 전달하고 데이터셋은 YAML 파일에 기술합니다. 이 파일은 데이터셋 경로, 클래스 이름, 데이터 분할 방식을 지정합니다. 모델이 데이터셋을 해석하는 방법을 알려주는 중앙 설정 파일 역할을 합니다.

분산된 워크플로에서 Ultralytics Platform의 통합 환경으로#

데이터셋 준비부터 모델 선택과 학습 파라미터 설정까지 컴퓨터 비전 모델 학습에 필요한 몇 가지 핵심 단계를 살펴보았습니다. 실제로는 실험 추적, 여러 학습 실행 결과 비교, 시간에 따른 지속적인 모델 개선까지 과정이 확장되는 경우가 많습니다.

이러한 단계는 한곳에서 처리되는 경우가 드뭅니다. 데이터셋은 한 도구에서 준비하고, 학습은 다른 환경에서 실행하며, 실험 추적은 별도로 관리할 수 있습니다. 프로젝트가 커질수록 이러한 분산은 복잡성을 높이고 반복 작업 속도를 늦추며 모든 항목을 체계적으로 관리하기 어렵게 만듭니다.

Ultralytics Platform은 전체 학습 워크플로를 하나의 환경으로 통합해 이러한 복잡성을 해소합니다. 도구를 오갈 필요 없이 한곳에서 데이터셋을 관리하고, 학습을 설정하며, 실험을 실행하고, 결과를 모니터링할 수 있습니다.

이제 Ultralytics Platform이 모델 학습을 어떻게 더 효율적으로 만드는지 살펴보겠습니다.

Ultralytics Platform에서 지원하는 학습 옵션#

실제 애플리케이션에서 컴퓨터 비전 모델을 학습하려면 유연한 환경이 필요한 경우가 많습니다. 데이터셋 크기, 모델 복잡도, 사용 가능한 하드웨어에 따라 클라우드, 로컬 머신 또는 외부 노트북 환경에서 학습을 실행할 수 있습니다.

Ultralytics Platform은 이러한 요구 사항을 충족하기 위해 다음 학습 옵션을 지원합니다.

• 클라우드 학습: Ultralytics에서 관리하는 클라우드 그래픽 처리 장치(GPU)에서 학습을 실행합니다. 이 옵션은 상당한 컴퓨팅 리소스가 필요한 대규모 데이터셋이나 복잡한 모델에 적합합니다.
• 로컬 학습: 머신에서 사용할 수 있는 하드웨어를 활용하며, 빠른 실험이나 설정 테스트, 소규모 데이터셋 작업에 적합합니다. 더 확장성이 필요한 워크로드의 경우 AWS 또는 GCP와 같은 자체 클라우드 환경에서도 학습을 실행할 수 있습니다.
• Google Colab: Ultralytics Platform을 사용하면 Google Colab의 호스팅 노트북 환경에서 학습을 실행할 수 있어, 로컬 머신을 설정하지 않고도 유연한 브라우저 기반 워크플로를 이용할 수 있습니다.

Ultralytics Platform의 클라우드 학습 살펴보기#

컴퓨터 비전 프로젝트에서 모델을 로컬이나 노트북 환경을 통해 학습하는 일이 항상 쉬운 것은 아닙니다.

예를 들어 로컬 학습의 성능은 전적으로 하드웨어에 좌우되므로 컴퓨팅 성능이 제한되고 실험 속도가 느려질 수 있습니다. 효율적인 학습에는 GPU가 필수적이지만, 모든 환경에서 GPU를 안정적으로 사용할 수 있는 것은 아닙니다.

Google Colab과 같은 노트북 환경은 클라우드 기반 GPU를 제공하는 대안이지만, 세션이 일시적인 경우가 많아 장시간 학습이 중단될 수 있습니다. 데이터셋이 커지고 워크플로가 복잡해지면 이러한 제약은 빠르게 병목 현상을 일으켜 학습 속도를 늦추고 안정성을 떨어뜨릴 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 관리 대신 모델 개선에 집중하기가 더 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 맞춰 사전 학습된 자체 가중치를 업로드할 수 있습니다.

플랫폼은 Ultralytics YOLO26, Ultralytics YOLO11, Ultralytics YOLOv8, Ultralytics YOLOv5을 비롯한 모든 Ultralytics YOLO 모델을 지원하며, 각 모델은 나노(n), 소형(s), 중형(m), 대형(l), 특대형(x)과 같은 다양한 크기로 제공됩니다. 모델 변형마다 속도와 정확도 사이의 절충점이 다르므로 성능 및 컴퓨팅 요구 사항에 맞는 모델을 선택할 수 있습니다.

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

사용자 지정 요구 사항이 있다면 사전 학습된 자체 모델 가중치를 업로드할 수도 있습니다. 처음부터 시작하는 대신 객체 감지기와 같은 기존 모델을 플랫폼에서 계속 학습시키거나 미세 조정할 수 있습니다. 다른 곳에서 이미 모델을 학습시켰거나 특정 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 맞춰 직접 만든 데이터셋을 업로드할 수 있습니다.

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

데이터셋을 업로드하면 검증, 정규화, 레이블 파싱, 통계 생성 등의 처리가 자동으로 진행됩니다. 이를 통해 클래스 분포와 데이터셋 구조를 비롯한 데이터를 바로 확인할 수 있으며, 학습 준비가 모두 완료되었는지 확인할 수 있습니다.

또한 데이터셋은 학습 실행과 자동으로 연결되므로 각 모델에 어떤 데이터가 사용되었는지 추적하고 실험 전반의 일관성을 유지할 수 있습니다.

3단계: 학습 파라미터 설정#

데이터셋을 선택한 다음에는 모델의 학습 방식을 제어하는 학습 파라미터를 설정할 수 있습니다. 여기에는 에포크, 배치 크기, 이미지 크기, 학습 로그에 표시할 실행 이름이 포함됩니다. 이러한 파라미터 중 상당수는 학습 시간과 모델의 최종 성능 모두에 영향을 줍니다.

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

4단계: GPU 선택#

다음으로 학습 실행에 사용할 GPU 구성을 선택할 수 있습니다. 적합한 GPU 선택은 데이터셋 크기, 배치 크기, 이미지 해상도, 모델 복잡도와 같은 요인에 따라 달라집니다. 적절한 균형을 찾으면 필요한 수준을 넘어 컴퓨팅 리소스를 사용하지 않으면서 학습 효율을 유지할 수 있습니다.

Ultralytics Platform은 VRAM(GPU 메모리) 용량과 연산 성능이 서로 다른 26가지 GPU 옵션을 제공해 소규모 작업부터 대규모 워크로드까지 지원합니다.

이를 통해 경량 모델을 학습하든 대규모의 복잡한 데이터셋을 사용하든 특정 요구 사항에 맞는 하드웨어를 선택할 수 있습니다. 사용 가능한 GPU 목록은 Ultralytics 플랫폼 학습 문서 페이지에서 확인하세요.

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

5단계: 클라우드 학습 시작#

모델, 데이터셋, 학습 파라미터, 컴퓨팅 옵션을 선택한 후에는 학습 실행을 빠르게 시작할 수 있습니다. 대시보드에서 클릭 한 번으로 학습을 시작하면 플랫폼이 환경을 초기화하고 선택한 GPU에서 작업을 실행합니다.

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

Ultralytics Platform에서 로컬 학습을 진행하거나 Google Colab을 사용하는 방법을 알아보려면 공식 Ultralytics 플랫폼 문서에서 자세한 튜토리얼을 확인하세요.

Ultralytics Platform에서 모델 평가 및 비교#

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

모델을 개발할 때 결과를 개선하기 위해 학습률, 배치 크기, 모델 크기와 같은 설정을 변경하며 여러 차례 학습을 반복하는 경우가 많습니다. 이러한 실행은 각각 조금씩 다른 모델을 생성하므로 서로 비교하는 일이 중요합니다.

프로젝트는 모델과 실험을 함께 정리하는 중앙 허브 역할을 합니다. 여러 도구나 화면을 오갈 필요 없이 진행 상황을 추적하고 결과를 검토하며 작업에 집중할 수 있습니다.

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

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

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

그림 3. Ultralytics Platform에서 지표를 확인하는 예시 (출처)

Ultralytics Platform에서 학습 비용 추정하기#

클라우드에서 객체 탐지 모델을 학습하면 컴퓨팅 비용이 발생하며, 특히 고성능 GPU를 사용할 경우 비용이 커집니다. 이를 더 편리하게 이용할 수 있도록 Ultralytics Platform은 학습을 시작하기 전에 비용 추정치를 제공합니다.

이를 통해 예상 사용량을 명확하게 파악할 수 있으므로 학습 작업을 계획하고 예산을 관리하며 작업을 시작하기 전에 예상치 못한 지출을 방지할 수 있습니다. 학습을 시작하기 전에 예상 비용을 확인하는 방법을 살펴보겠습니다.

학습 시간 추정 방법#

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 요인에 따라 달라집니다.

이러한 입력값을 사용해 에포크당 예상 시간을 계산한 다음, 전체 학습 실행에 맞게 환산합니다. 모든 에포크의 시간을 합산하고 약간의 시작 오버헤드를 더해 전체 소요 시간을 계산합니다.

오버헤드에는 환경 초기화, 데이터셋 로드, GPU 준비와 같은 작업이 포함됩니다. 이를 통해 추정치가 학습 루프만이 아니라 전체 학습 과정을 반영하도록 합니다.

학습 비용 계산 방법#

전체 학습 시간을 추정한 다음에는 선택한 GPU의 시간당 요금을 적용해 비용으로 환산합니다.

학습 시간과 GPU 가격을 함께 고려하면 실행을 시작하기 전에 예상 비용을 명확하게 파악할 수 있습니다.

비용을 미리 파악하면 학습 매개변수를 조정하거나 다른 GPU를 선택하는 등 설정을 손쉽게 변경할 수 있어 성능과 비용의 균형을 더 효과적으로 맞출 수 있습니다.

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

모델 학습에 Ultralytics Platform을 사용할 때의 주요 이점#

지금까지 컴퓨터 비전 모델 학습의 주요 단계와 이러한 단계가 Ultralytics Platform에서 어떻게 연결되는지 살펴보았습니다.

이러한 핵심 기능 외에도 학습 워크플로를 개선하는 추가 기능이 있습니다. 모델 학습에 Ultralytics Platform을 사용할 때 얻을 수 있는 주요 이점을 살펴보겠습니다.

• 실험 재현성 기본 제공: 모든 학습 실행은 모델, 데이터셋, 매개변수, 컴퓨팅 설정을 포함한 전체 구성이 자동으로 기록됩니다. 따라서 실험을 간편하게 다시 확인하고 결과를 안정적으로 재현할 수 있습니다.
• 시간 경과에 따른 학습 인사이트: 최종 결과만 확인하는 대신 에포크별 성능 변화를 추적하여 학습 중 모델 동작을 더 잘 이해할 수 있습니다.
• 운영 오버헤드 감소: 플랫폼이 백그라운드에서 환경 설정, 종속성 관리, 인프라를 처리하므로 설정 작업에 들이는 시간을 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 정리할 수 있습니다.

핵심 요점#

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

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

컴퓨터 비전에 대해 자세히 알아보려면 성장 중인 커뮤니티와 GitHub 저장소를 확인하세요. 비전 솔루션을 구축하려면 라이선스 옵션을 살펴보세요. 솔루션 페이지에서 제조 분야의 컴퓨터 비전과 농업 분야의 AI가 제공하는 이점에 대해 알아보세요.