Supervised Learning

지도 학습은 모델이 라벨이 지정된 예시, 즉 정답(흔히 그라운드 트루스라고 함)과 짝을 이룬 입력을 통해 입력을 출력으로 매핑하는 방법을 학습하는 머신러닝(ML) 분야입니다. 학습 중에는 모델의 예측을 라벨과 비교하고, 차이를 줄이도록 파라미터를 조정합니다. 목표는 모델이 한 번도 보지 못한 새로운 입력에도 정확하게 예측하는 일반화입니다. 스팸 필터, 신용 평가, 수요 예측, 이미지 분류기 및 객체 탐지기를 비롯해 널리 배포된 ML 시스템 중 상당수가 지도 학습을 사용합니다.

지도 학습의 작동 방식#

지도 학습 데이터셋은 (입력, 라벨) 쌍으로 구성되며, 모델을 학습하는 학습 데이터, 설정을 조정하고 종료 시점을 정하는 검증 데이터, 성능을 최종적이고 편향 없이 추정하는 테스트 데이터로 나뉩니다. 각 학습 배치에서 모델이 예측을 수행하고, 손실 함수가 예측과 라벨 간 차이를 측정하며, 확률적 경사 하강법과 같은 최적화 알고리즘이 손실을 낮추도록 모델 가중치를 업데이트합니다. 학습 데이터 전체를 한 번 처리하는 것을 에포크라고 하며, 일반적으로 검증 점수를 모니터링하면서 여러 에포크 동안 학습합니다.

모델의 학습 손실은 계속 낮아지지만 검증 점수가 나빠진다면 과적합이 발생한 것입니다. 이는 학습 라벨의 노이즈까지 포함해 외워 버리고, 다른 데이터에 적용할 수 있는 패턴을 학습하지 않는 상태입니다. 더 많은 데이터, 데이터 증강, 정규화 및 조기 종료로 과적합을 완화할 수 있습니다.

분류, 회귀 및 구조화된 출력#

• 분류: 스팸인지 아닌지, 또는 이미지가 ImageNet의 1,000개 클래스 중 어떤 클래스에 해당하는지와 같은 이산 범주를 예측합니다.
• 회귀: 주택 가격, 다음 날의 수요 또는 객체까지의 거리와 같은 연속값을 예측하며, 선형 회귀는 가장 단순한 모델입니다.
• 구조화된 출력: 많은 비전 작업은 분류와 회귀를 모두 결합합니다. 객체 탐지는 각 객체의 클래스를 분류하고 박스 좌표를 회귀하며, 세그멘테이션은 모든 픽셀을 분류하고, 포즈 추정은 키포인트 위치를 회귀합니다.

동일한 지도 학습 방식은 표 형식 데이터에 적용되는 로지스틱 회귀와 랜덤 포레스트, 그래디언트 부스팅 트리와 같은 기존 알고리즘부터 이미지, 오디오 및 텍스트에 적용되는 심층 신경망까지 다양한 모델에 적용됩니다.

라벨이 지정된 데이터와 그 비용#

레이블은 사람인 주석 작업자, 과거 사기 사례나 구매 기록과 같은 레코드, 계측 장치에서 얻으며, 레이블 품질이 모델 품질의 상한을 결정합니다. 체계적인 레이블 오류, 일관성 없는 주석 규칙, 클래스 불균형, 학습 및 테스트 세트 간 데이터 유출은 개발 단계에서는 점수가 높지만 배포에서 실패하는 모델의 흔한 원인입니다. 데이터 레이블링은 프로젝트에서 가장 비용이 많이 드는 작업인 경우가 많으므로, 관련 방법을 통해 필요한 레이블 수를 줄입니다. 능동 학습은 가장 유익한 샘플에만 주석을 요청하고, 전이 학습은 대규모 데이터 세트로 사전 학습한 모델에서 시작하므로 새 작업에 필요한 레이블 예제가 훨씬 적습니다.

YOLO26 학습은 라벨이 지정된 이미지를 사용하는 지도 학습입니다. 각 학습 이미지에는 모든 객체의 클래스 ID와 정규화된 박스 좌표를 나열하는 라벨 파일이 있으며, 학습 모드는 모델이 예측한 클래스 및 박스와 라벨 간의 손실을 줄이도록 모델을 업데이트합니다. 이 예제에서는 COCO 데이터셋의 8개 이미지 샘플인 COCO8의 사전 학습 가중치를 미세 조정합니다. 학습 이미지 4개와 검증 이미지 4개를 사용해 학습 파이프라인이 처음부터 끝까지 실행되는지 확인합니다.

from ultralytics import YOLO

# COCO 전체 데이터셋으로 사전 학습된 가중치에서 시작합니다.
model = YOLO("yolo26n.pt")

# 지도 학습: 이미지와 박스 및 클래스 라벨을 짝지어 학습합니다.
results = model.train(data="coco8.yaml", epochs=3, imgsz=640)

지도 학습과 다른 학습 패러다임 비교#

• 비지도 학습: 라벨을 사용하지 않고 입력만으로 군집이나 압축된 표현과 같은 구조를 찾습니다.
• 준지도 학습: 라벨이 지정된 소규모 데이터셋과 라벨이 없는 대규모 데이터셋으로 학습하며, 라벨이 없는 데이터의 예측 결과 중 신뢰도가 높은 항목에 의사 라벨을 지정하는 경우가 많습니다.
• 자기 지도 학습: 문장의 다음 단어나 이미지의 숨겨진 패치처럼 데이터 자체에서 라벨을 생성합니다. 대규모 언어 모델과 비전 파운데이션 모델은 지도 방식의 미세 조정 전에 이 방식으로 사전 학습합니다.
• 강화 학습: 상황별 정답 행동 라벨 없이 환경에서 행동을 통해 얻은 보상을 바탕으로 학습합니다.
• 퓨샷 학습: 사전 학습을 통해 습득한 지식을 활용해 클래스마다 일반적으로 1~10개의 소수 라벨 예시만으로 새로운 클래스를 인식합니다.