데이터 세트

Ultralytics Platform 데이터셋은 학습 데이터를 관리하기 위한 간소화된 솔루션을 제공합니다. 업로드되면 데이터셋은 자동 처리 및 통계 생성과 함께 모델 학습에 즉시 사용될 수 있습니다.

데이터세트 업로드

Ultralytics 유연성을 위해 다양한 업로드 형식을 지원합니다.

지원되는 형식

데이터셋 준비

플랫폼은 두 가지 주석 형식과 원본 업로드를 지원합니다: Ultralytics YOLO, COCO, 그리고 원본(주석 처리되지 않은 이미지):

my-dataset/
├── images/
│   ├── train/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── val/
│       ├── img003.jpg
│       └── img004.jpg
├── labels/
│   ├── train/
│   │   ├── img001.txt
│   │   └── img002.txt
│   └── val/
│       ├── img003.txt
│       └── img004.txt
└── data.yaml

# data.yaml
path: .
train: images/train
val: images/val

names:
    0: person
    1: car
    2: dog

my-coco-dataset/
├── train/
│   ├── _annotations.coco.json
│   ├── img001.jpg
│   └── img002.jpg
└── val/
    ├── _annotations.coco.json
    ├── img003.jpg
    └── img004.jpg

{
    "images": [{ "id": 1, "file_name": "img001.jpg", "width": 640, "height": 480 }],
    "annotations": [{ "id": 1, "image_id": 1, "category_id": 0, "bbox": [100, 50, 200, 300] }],
    "categories": [{ "id": 0, "name": "person" }]
}

작업별 형식 세부 정보는 지원되는 작업 및 데이터셋 개요를 참조하십시오.

업로드 프로세스

1. 다음으로 이동 Datasets 사이드바에서
2. 클릭 New Dataset 또는 파일을 업로드 영역으로 드래그하세요
3. 작업 유형 선택 ( 지원되는 작업 참조)
4. 이름과 선택적 설명을 추가합니다.
5. 가시성 설정(공개 또는 비공개) 및 선택적 라이선스( 사용 가능한 라이선스 참조)
6. 클릭 Create

업로드 후, 플랫폼은 다단계 파이프라인을 통해 데이터를 처리합니다:

graph LR
    A[Upload] --> B[Validate]
    B --> C[Normalize]
    C --> D[Thumbnail]
    D --> E[Parse Labels]
    E --> F[Statistics]

    style A fill:#4CAF50,color:#fff
    style B fill:#2196F3,color:#fff
    style C fill:#2196F3,color:#fff
    style D fill:#2196F3,color:#fff
    style E fill:#2196F3,color:#fff
    style F fill:#9C27B0,color:#fff

1. 유효성 검사: 형식 및 크기 확인
2. 정규화: 큰 이미지 크기 조정됨 (최대 4096px, 최소 치수 28px)
3. 썸네일: 256px WebP 미리보기가 생성되었습니다.
4. 레이블 파싱: YOLO 및 COCO 형식 레이블 추출됨
5. 통계: 클래스 분포 및 이미지 크기 계산

from ultralytics.data.utils import check_det_dataset

check_det_dataset("path/to/data.yaml")

이미지 찾아보기

여러 레이아웃으로 데이터셋 이미지를 볼 수 있습니다:

정렬 및 필터링

이미지는 효율적인 탐색을 위해 정렬 및 필터링할 수 있습니다:

전체 화면 뷰어

아무 이미지나 클릭하여 다음을 포함하는 전체 화면 뷰어를 엽니다:

• 탐색: 화살표 키 또는 썸네일 미리보기를 사용하여 찾아보기
• 메타데이터: 파일명, 차원, 분할 배지, 어노테이션 수
• 주석: 주석 오버레이 가시성 토글
• 클래스 분류: 색상 표시기가 있는 클래스별 레이블 수
• 편집: 주석 모드로 들어가 레이블을 추가하거나 수정합니다.
• 다운로드: 원본 이미지 파일을 다운로드하세요.
• 삭제: 데이터셋에서 이미지를 삭제합니다.
• 확대: Cmd/Ctrl+Scroll 확대/축소
• 픽셀 뷰: 정밀 검사를 위해 픽셀화된 렌더링을 토글합니다.

분할별 필터링

데이터셋 분할별로 이미지를 필터링합니다:

데이터셋 탭

각 데이터셋 페이지에는 탭 바에서 접근할 수 있는 6개의 탭이 있습니다.

이미지 탭

기본 보기에는 주석 오버레이가 적용된 이미지 갤러리가 표시됩니다. 그리드, 컴팩트, 테이블 보기 모드를 지원합니다. 여기에 파일을 드래그 앤 드롭하여 이미지를 추가하세요.

클래스 탭

데이터셋에 대한 주석 클래스를 관리하세요:

• 클래스 히스토그램: 선형/로그 스케일 토글이 있는 클래스별 주석 수를 보여주는 막대 차트
• 클래스 테이블: 클래스 이름, 레이블 수 및 이미지 수가 포함된 정렬 및 검색 가능한 테이블
• 클래스 이름 편집: 클래스 이름을 클릭하여 인라인으로 이름을 변경합니다.
• 클래스 색상 편집: 클래스 색상을 변경하려면 색상 견본을 클릭하세요.
• 새 클래스 추가: 클래스를 추가하려면 하단의 입력란을 사용하세요.

차트 탭

데이터셋에서 계산된 자동 통계:

모델 탭

이 데이터셋으로 훈련된 모든 모델을 검색 가능한 테이블에서 확인하세요:

오류 탭

처리 실패한 이미지는 다음과 같이 여기에 나열됩니다:

• 오류 배너: 실패한 이미지의 총 개수 및 안내
• 오류 테이블: 파일명, 사용자 친화적인 오류 설명, 해결 힌트 및 미리보기 썸네일
• 일반적인 오류로는 손상된 파일, 지원되지 않는 형식, 너무 작은 이미지(최소 28px), 그리고 지원되지 않는 색상 모드가 있습니다.

버전 탭

재현 가능한 학습을 위해 데이터셋의 불변 NDJSON 스냅샷을 생성합니다. 각 버전은 생성 시점의 이미지 수, 클래스 수, 주석 수 및 파일 크기를 캡처합니다.

버전을 생성하려면:

1. 버전 탭을 엽니다
2. 선택적으로 설명을 입력하세요(예: "훈련 이미지 500개 추가" 또는 "잘못 분류된 클래스 수정").
3. + 새 버전을 클릭합니다.
4. NDJSON 스냅샷이 생성되고 자동으로 다운로드됩니다.

각 버전은 순차적으로 번호가 매겨지고(v1, v2, v3...) 영구적으로 저장됩니다. 버전 테이블에서 언제든지 이전 버전을 다운로드할 수 있습니다.

데이터셋 내보내기

데이터 세트를 내보내어 오프라인에서 사용하세요. 이 플랫폼은 다음과 같은 다양한 내보내기 형식을 지원합니다:

내보내려면:

1. 데이터셋 헤더에서 내보내기 버튼을 클릭합니다.
2. 원하는 형식을 선택하세요
3. 내보내기 작업은 비동기 방식으로 실행되며, 다운로드가 완료되면 알림이 전송됩니다.

NDJSON 형식은 각 줄에 하나의 JSON 객체를 저장합니다. 첫 번째 줄에는 데이터셋 메타데이터가 포함되며, 이후 이미지마다 한 줄씩 이어집니다:

{"type": "dataset", "task": "detect", "name": "my-dataset", "description": "...", "url": "https://platform.ultralytics.com/...", "class_names": {"0": "person", "1": "car"}, "version": 1, "created_at": "2026-01-15T10:00:00Z", "updated_at": "2026-02-20T14:30:00Z"}
{"type": "image", "file": "img001.jpg", "url": "https://...", "width": 640, "height": 480, "split": "train", "annotations": {"boxes": [[0, 0.5, 0.5, 0.2, 0.3]]}}
{"type": "image", "file": "img002.jpg", "url": "https://...", "width": 1280, "height": 720, "split": "val"}

전체 사양은 Ultralytics NDJSON 형식 문서를 참조하십시오.

이미지 처리

빠른 작업

‘그리드’ 또는 ‘축소’ 보기에서 이미지를 마우스 오른쪽 버튼으로 클릭하면 바로 가기 메뉴를 사용할 수 있습니다:

분할을 위한 대량 이동

선택한 이미지를 동일한 데이터셋 내 다른 분할으로 재할당:

1. 표 보기 모드로 전환
2. 체크박스를 사용하여 이미지를 선택하세요
3. 마우스 오른쪽 버튼을 클릭하여 컨텍스트 메뉴를 엽니다
4. 선택 Move to split > Train, 검증또는 테스트

그리드 보기에서 이미지를 분할 필터 탭 위로 드래그 앤 드롭할 수도 있습니다.

분할 재분배

사용자 정의 비율을 사용하여 모든 이미지를 훈련, 검증, 테스트 세트에 재분배합니다:

1. 데이터셋 도구 모음의 분할 막대를 클릭하여 ‘분할 재할당’ 대화 상자를 엽니다
2. 아래 방법 중 하나를 사용하여 분할 비율을 조정하세요
3. 실시간 이미지 수 미리보기를 확인하여 분포를 확인하십시오
4. ‘적용’을 클릭하면 지정한 비율에 따라 모든 이미지가 무작위로 재배치됩니다

이 대화 상자에서는 목표 분할 비율을 설정하는 세 가지 방법을 제공합니다:

적용하기 전에 라이브 미리보기를 통해 각 분할 영역에 몇 장의 이미지가 배치될지 정확히 확인할 수 있습니다.

일괄 삭제

여러 이미지 한 번에 삭제:

1. 테이블 보기에서 이미지 선택
2. 마우스 오른쪽 버튼을 클릭하고 선택하세요 Delete
3. 삭제 확인

데이터셋 URI

다음 URI를 사용하여 플랫폼 데이터셋 참조: ul:// URI 형식 (참조 플랫폼 데이터셋 사용):

ul://username/datasets/dataset-slug

이 URI를 사용하여 어디서든 모델을 훈련하십시오:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="ul://username/datasets/my-dataset", epochs=100)

사용 가능한 라이선스

플랫폼은 데이터셋에 대해 다음 라이선스를 지원합니다:

가시성 설정

데이터셋을 볼 수 있는 사용자 제어:

가시성은 데이터셋 생성 시 설정됩니다. New Dataset 토글 스위치를 사용하여 대화 상자를 엽니다. 공개 데이터셋은 다음에서 볼 수 있습니다. 탐색 페이지를 참조하세요.

데이터세트 편집

데이터셋 메타데이터는 데이터셋 페이지에서 직접 인라인으로 편집됩니다. 별도의 대화 상자가 필요 없습니다:

• 이름: 데이터셋 이름을 클릭하여 편집합니다. 변경 사항은 포커스 상실 시 또는 자동으로 저장됩니다. Enter.
• 설명: 설명을 클릭하거나("설명 추가..." 자리 표시자) 편집합니다. 변경 사항은 자동 저장됩니다.
• 태스크 유형: 태스크 배지를 클릭하여 다른 태스크 유형을 선택하세요.
• 라이선스: 데이터셋 라이선스를 변경하려면 라이선스 선택기를 클릭하세요.

데이터셋 복제

본인이 소유하지 않은 공개 데이터셋을 볼 때, 클릭하세요 Clone Dataset 작업 공간에 복사본을 생성합니다. 복제본에는 모든 이미지, 주석 및 클래스 정의가 포함됩니다. 원본 데이터셋에 복제 금지 라이선스가 적용된 경우, 복제본도 동일한 라이선스를 상속받으며 라이선스 선택기가 잠깁니다.

스타와 공유

• 별표: 데이터셋을 북마크하려면 별표 버튼을 클릭하세요. 별표 수는 모든 사용자에게 표시됩니다.
• 공유: 공개 데이터셋의 경우, 공유 버튼을 클릭하여 링크를 복사하거나 소셜 플랫폼에 공유할 수 있습니다.

데이터세트 삭제

더 이상 필요 없는 데이터셋 삭제:

1. 데이터셋 작업 메뉴 열기
2. 클릭 Delete
3. 대화 상자에서 확인: "[이름]을(를) 휴지통으로 이동합니다. 30일 이내에 복원할 수 있습니다."

데이터셋으로 학습

데이터셋에서 직접 학습 시작:

1. 클릭 New Model 데이터셋 페이지에서
2. 프로젝트 선택 또는 새로 생성
3. 학습 매개변수 구성
4. 학습 시작

graph LR
    A[Dataset] --> B[New Model]
    B --> C[Select Project]
    C --> D[Configure]
    D --> E[Start Training]

    style A fill:#2196F3,color:#fff
    style E fill:#4CAF50,color:#fff

자세한 내용은 클라우드 학습을 참조하세요.

FAQ

업로드 후 내 데이터는 어떻게 되나요?

귀하의 데이터는 선택한 지역(미국, EU 또는 AP)에 처리 및 저장됩니다. 이미지는 다음과 같습니다:

1. 형식 및 크기 유효성 검사 완료
2. 최소 크기가 28px 미만인 경우 거부됨
3. 4096px보다 클 경우 정규화됨 (종횡비 유지; 저장 공간 최적화를 위해 인코딩됨)
4. XXH3-128 해싱을 사용한 콘텐츠 주소 지정 저장소(CAS)로 저장됨
5. 빠른 탐색을 위해 256px WebP로 생성된 썸네일

스토리지는 어떻게 작동하나요?

Ultralytics Platform은 효율적인 스토리지를 위해 콘텐츠 주소 지정 스토리지(CAS)를 사용합니다:

• 중복 제거: 다른 사용자가 업로드한 동일한 이미지는 한 번만 저장됩니다.
• 무결성: XXH3-128 해싱은 데이터 무결성을 보장합니다.
• 효율성: 스토리지 비용을 절감하고 처리 속도를 높입니다.
• 지역성: 데이터는 선택한 지역(미국, EU 또는 AP)에 유지됩니다.

기존 데이터셋에 이미지를 추가할 수 있나요?

예, 파일을 데이터셋 페이지로 드래그 앤 드롭하거나 업로드 버튼을 사용하여 추가 이미지를 추가하세요. 새로운 통계가 자동으로 계산됩니다.

스플릿 간에 이미지를 어떻게 이동하나요?

대량 이동-분할 기능을 사용하세요:

1. 테이블 보기에서 이미지 선택
2. 마우스 오른쪽 버튼을 클릭하고 선택하세요 Move to split
3. 대상 분할(훈련, 검증 또는 테스트)을 선택하십시오.

어떤 레이블 형식이 지원되나요?

Ultralytics 업로드용으로 두 가지 주석 형식을 지원합니다:

하나의 데이터셋에 여러 작업 유형으로 주석을 달 수 있나요?

네. 각 이미지는 5가지 작업 유형(detect, segment, 자세, OBB, classify)에 대한 주석을 모두 함께 저장합니다. 기존 주석을 잃어버리지 않고 언제든지 데이터셋의 활성 작업 유형을 전환할 수 있습니다. 편집기에는 활성 작업 유형과 일치하는 주석만 표시되며, 내보내기 및 훈련 과정에도 해당 주석만 포함됩니다. 다른 작업에 대한 주석은 그대로 보존되며, 작업 유형을 다시 전환하면 다시 표시됩니다.

📅 2개월 전 생성됨 ✏️ 1일 전 업데이트됨

댓글