인공지능(AI)의 지도 학습을 탐구하세요. Ultralytics 같은 모델이 분류 및 회귀를 위해 라벨링된 데이터를 활용하여 높은 정확도의 결과를 달성하는 방법을 알아보세요.
지도 학습은 인공 지능(AI) 의 기초적인 접근법으로, 알고리즘이 올바른 출력으로 태그된 입력 데이터로 훈련됩니다. 이 방법에서 모델은 자신의 예측을 제공된 라벨과 비교함으로써 학습하며, 본질적으로 훈련 과정 중 이를 수정해 주는 "지도자"를 갖는 것입니다. 주요 목표는 시스템이 입력에서 출력으로의 매핑 함수를 충분히 잘 학습하여 새로운 미검증 테스트 데이터에 대한 라벨을 정확히 예측할 수 있도록 하는 것입니다. 이 기술은 이메일 스팸 필터부터 자율주행 시스템에 이르기까지 현재 사용 중인 가장 실용적이고 성공적인 AI 애플리케이션 다수의 핵심 동력입니다.
지도 학습의 워크플로는 라벨링된 데이터의 사용을 중심으로 이루어집니다. 모든 훈련 예제가 대응하는 "진실값" 라벨과 짝을 이루도록 데이터셋이 구성됩니다. 모델 훈련 단계에서 알고리즘은 입력 특징을 처리하여 예측을 생성합니다. 이후 손실 함수라는 수학적 공식이 오차, 즉 모델의 예측과 실제 라벨 간의 차이를 측정합니다.
이 오류를 최소화하기 위해 최적화 알고리즘(예: 확률적 경사 하강법(SGD)과 같은 최적화 알고리즘이 모델의 내부 매개변수 또는 모델 가중치를 반복적으로 조정합니다. 이 과정은 에포크( epoch)라고 불리는 여러 사이클에 걸쳐 반복되며, 모델이 훈련 데이터에 과적합되지 않으면서 만족스러운 정확도 수준을 달성할 때까지 진행됩니다. Ultralytics 같은 도구는 통합된 환경에서 데이터셋 주석 작업, 훈련 및 평가를 관리함으로써 이 전체 파이프라인을 단순화합니다.
지도 학습 문제는 일반적으로 목표 변수의 특성에 따라 두 가지 주요 유형으로 분류됩니다:
지도 학습은 다양한 산업 전반에 걸쳐 광범위한 기술을 가능하게 합니다:
지도 학습과 비지도 학습을 구분하는 것이 중요합니다. 지도 학습은 라벨이 지정된 입력-출력 쌍에 의존하는 반면, 비지도 학습은 라벨이 없는 데이터로 작동합니다. 비지도 학습 시나리오에서는 알고리즘이 마케팅에서의 고객 세분화와 같이 데이터 내 숨겨진 구조, 패턴 또는 그룹화를 스스로 찾아내려 합니다. 지도 학습은 일반적으로 과거 데이터가 존재하는 특정 작업에 더 정확하며, 비지도 학습은 탐색적 데이터 분석에 더 적합합니다.
지도 학습은 현대 컴퓨터 비전 모델 훈련의 핵심입니다. 다음 Python 지도 학습 데이터셋(COCO8)을 사용하여 YOLO26 모델을 훈련하는 방법을 보여줍니다. 모델은 데이터셋 내 라벨링된 이미지로부터 학습하여 detect .
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training)
# Train the model using the 'coco8.yaml' dataset (supervised learning)
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)
# The model is now fine-tuned based on the supervised labels in the dataset
이 간단한 과정은 PyTorch의 강력한 기능을 활용합니다. PyTorch 의 힘을 활용하여 복잡한 행렬 연산과 기울기 계산을 수행합니다. 데이터 관리 측면을 간소화하려는 사용자를 위해 Ultralytics 클라우드 기반 훈련 및 자동 주석 도구를 제공하여 지도 학습 워크플로우를 훨씬 더 효율적으로 만듭니다.
.webp)