Google Colab에서 Ultralytics YOLOv8으로 사용자 지정 데이터셋 학습하기

이 게시물에서는 Ultralytics YOLOv8과 Google Colab을 사용해 사용자 지정 객체 감지 모델을 학습하는 방법을 살펴보고, 설정부터 학습 및 평가까지 전체 과정을 안내합니다.

Google Colab에서 Ultralytics YOLOv8 모델 설정하기#

먼저 Google Colab에서 환경을 설정해 보겠습니다. Google Colab이란 무엇일까요? Google Colaboratory의 약칭인 Google Colab은 Python 코드를 작성하고 실행할 수 있도록 Google에서 제공하는 무료 클라우드 플랫폼입니다.

먼저 설정을 위해 적절한 런타임 유형을 선택해 GPU에 액세스할 수 있는지 확인합니다. nvidia-smi 명령을 사용해 GPU 설정을 검증하고 모든 항목이 원활하게 작동하는지 확인하세요.

그런 다음 YOLOv8과 해당 종속 항목이 포함된 ultralytics 패키지를 pip을 사용해 설치합니다. 이후 ultralytics에서 YOLO 클래스를 가져와 사용자 지정 객체 감지 모델을 구축합니다.

데이터셋 라벨링 및 준비#

이제 데이터셋을 준비합니다. 바운딩 박스를 사용해 데이터에 라벨을 지정하고 각 객체의 클래스를 명시합니다. 데이터셋을 Ultralytics YOLO 형식으로 내보낸 다음 Google Colab 노트북으로 가져옵니다.

커스텀 Ultralytics YOLOv8 모델 학습하기#

객체 감지를 위해 작업을 detect로 설정하고 필요에 맞는 YOLOv8 모델 크기를 선택합니다. 데이터셋 위치, 에포크 수, 학습에 사용할 이미지 크기를 지정합니다. GPU 가속을 사용하면 모델이 데이터로부터 학습하는 동안 학습 속도를 빠르게 유지할 수 있습니다.

모델 평가 및 검증#

학습이 완료되면 평균 정밀도(mAP)와 같은 지표를 사용해 모델 성능을 평가합니다. 학습 중에 보지 못한 데이터로 모델을 검증해 일반화 성능이 우수한지 확인합니다. 혼동 행렬을 그리고 예측 결과를 분석해 모델을 추가로 미세 조정합니다.

Ultralytics YOLOv8 모델은 yolo val model=path/to/best.pt과 같은 단일 CLI 명령으로 검증할 수 있으며, 이 명령은 학습 설정을 자동으로 재사용하고 여러 지표를 보고합니다.

Ultralytics는 검증 중에 출력 결과를 필요에 맞게 조정할 수 있도록 CLI 및 Python 인수도 지원합니다. 자세한 내용은 검증 모드 문서를 참조하세요.

그림 1. Google Colab에서 Ultralytics YOLOv8으로 커스텀 데이터셋을 학습하는 방법을 설명하는 Nicolai Nielsen.

모델을 한 단계 더 발전시키기#

이제 Google Colab에서 사용자 지정 Ultralytics YOLOv8 모델을 성공적으로 학습했습니다. 다음 영상에서는 사용자 지정 학습된 YOLOv8 모델을 사용해 모델 가중치를 내보내고 실시간 추론을 실행하는 방법을 살펴보겠습니다.

마무리#

Google Colab에서 Ultralytics YOLOv8을 사용한 사용자 지정 객체 감지의 세계를 함께 살펴봐 주셔서 감사합니다. AI와 머신러닝에 관한 더 많은 튜토리얼도 기대해 주세요.

이 종합 가이드를 통해 Google Colab에서 Ultralytics YOLOv8을 사용해 자체 사용자 지정 객체 감지 모델을 학습할 준비를 마쳤습니다. 단계별로 따라 하려면 전체 튜토리얼을 시청하세요.