이미지 분류 데이터셋 개요#
YOLO 분류 작업을 위한 데이터셋 구조#
Ultralytics YOLO 분류 작업의 경우, 원활한 학습, 테스트, 그리고 선택적인 검증 프로세스를 촉진하기 위해 데이터셋은 root 디렉토리 아래에 특정 분할 디렉토리 구조로 구성되어야 합니다. 이 구조에는 학습(train) 및 검증(val) 단계를 위한 별도의 디렉토리가 포함되며, 테스트(test)를 위한 선택적 디렉토리가 포함됩니다.
각 디렉토리에는 데이터셋의 각 클래스에 대한 하위 디렉토리가 하나씩 포함되어야 합니다. 하위 디렉토리는 해당 클래스 이름으로 지정되며 해당 클래스의 모든 이미지를 포함합니다. 각 이미지 파일의 이름이 고유한지 확인하고 JPEG 또는 PNG와 같은 공통 형식으로 저장하십시오.
폴더 구조 예시#
CIFAR-10 데이터셋을 예로 들어 보겠습니다. 폴더 구조는 다음과 같습니다:
cifar-10-/
|
|-- train/
| |-- airplane/
| | |-- 10008_airplane.png
| | |-- 10009_airplane.png
| | |-- ...
| |
| |-- automobile/
| | |-- 1000_automobile.png
| | |-- 1001_automobile.png
| | |-- ...
| |
| |-- bird/
| | |-- 10014_bird.png
| | |-- 10015_bird.png
| | |-- ...
| |
| |-- ...
|
|-- test/
| |-- airplane/
| | |-- 10_airplane.png
| | |-- 11_airplane.png
| | |-- ...
| |
| |-- automobile/
| | |-- 100_automobile.png
| | |-- 101_automobile.png
| | |-- ...
| |
| |-- bird/
| | |-- 1000_bird.png
| | |-- 1001_bird.png
| | |-- ...
| |
| |-- ...
|
|-- val/ (optional)
| |-- airplane/
| | |-- 105_airplane.png
| | |-- 106_airplane.png
| | |-- ...
| |
| |-- automobile/
| | |-- 102_automobile.png
| | |-- 103_automobile.png
| | |-- ...
| |
| |-- bird/
| | |-- 1045_bird.png
| | |-- 1046_bird.png
| | |-- ...
| |
| |-- ...이러한 구조적 접근 방식은 모델이 학습 단계에서 체계적으로 정리된 클래스로부터 효과적으로 학습하고, 테스트 및 검증 단계에서 성능을 정확하게 평가할 수 있도록 합니다.
사용법#
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-cls.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="path/to/dataset", epochs=100, imgsz=640)대부분의 기본 제공 데이터셋 이름(예: cifar10, imagenette, 또는 mnist160)은 처음 참조할 때 데이터를 자동으로 다운로드하고 캐시합니다. 사용자 정의 데이터셋을 직접 구축한 경우에만 data을 폴더 경로로 지정하십시오.
지원되는 데이터셋#
Ultralytics는 자동 다운로드를 지원하는 다음 데이터셋들을 제공합니다:
- Caltech 101: 이미지 분류 작업을 위한 101개 객체 카테고리의 이미지를 포함하는 데이터셋입니다.
- Caltech 256: 256개의 객체 카테고리와 더 까다로운 이미지를 포함하는 Caltech 101의 확장 버전입니다.
- CIFAR-10: 10개 클래스의 6만 개 32x32 컬러 이미지로 구성된 데이터셋으로, 클래스당 6천 개의 이미지가 포함되어 있습니다.
- CIFAR-100: 100개의 객체 카테고리와 클래스당 600개의 이미지를 포함하는 CIFAR-10의 확장 버전입니다.
- Fashion-MNIST: 이미지 분류 작업을 위한 10개 패션 카테고리의 7만 개 그레이스케일 이미지로 구성된 데이터셋입니다.
- ImageNet: 1,400만 장 이상의 이미지와 20,000개의 카테고리를 포함하는 대규모 객체 검출 및 이미지 분류용 데이터셋입니다.
- ImageNet-10: 더 빠른 실험과 테스트를 위해 10개의 카테고리를 포함하는 ImageNet의 더 작은 서브셋입니다.
- Imagenette: 더 빠른 학습과 테스트를 위해 쉽게 구별할 수 있는 10개 클래스를 포함하는 ImageNet의 더 작은 서브셋입니다.
- Imagewoof: 이미지 분류 작업을 위해 10개의 개 품종 카테고리를 포함하는 더 까다로운 ImageNet 서브셋입니다.
- MNIST: 이미지 분류 작업을 위한 손글씨 숫자 7만 개 그레이스케일 이미지 데이터셋입니다.
- MNIST160: MNIST 학습 및 테스트 분할 모두에서 각 숫자(0-9)의 처음 8개 이미지입니다. 데이터셋에는 총 160개의 이미지가 포함되어 있습니다.
자신만의 데이터셋 추가하기#
나만의 데이터셋을 보유하고 있고 이를 Ultralytics YOLO로 분류 모델 학습에 사용하려면, 위 "Dataset Structure"에 지정된 형식을 따르는지 확인한 후 학습 스크립트를 초기화할 때 data 인수를 데이터셋 디렉토리로 지정하십시오.
FAQ#
Ultralytics YOLO 분류 작업을 위해 데이터셋을 구조화하려면 특정 분할 디렉토리 형식을 따라야 합니다. 데이터셋을
train,test, 그리고 선택적으로val의 별도 디렉토리로 구성하세요. 이러한 각 디렉토리에는 각 클래스 이름으로 명명된 하위 디렉토리가 포함되어야 하며, 그 안에 해당 이미지가 들어 있어야 합니다. 이는 원활한 학습 및 평가 과정을 용이하게 합니다. 예를 들어, CIFAR-10 데이터셋 형식을 고려해보세요:cifar-10-/ |-- train/ | |-- airplane/ | |-- automobile/ | |-- bird/ | ... |-- test/ | |-- airplane/ | |-- automobile/ | |-- bird/ | ... |-- val/ (optional) | |-- airplane/ | |-- automobile/ | |-- bird/ | ...자세한 내용은 Dataset Structure for YOLO Classification Tasks 섹션을 방문하세요.
Ultralytics YOLO는 Caltech 101, Caltech 256, CIFAR-10, CIFAR-100, Fashion-MNIST, ImageNet, ImageNet-10, Imagenette, Imagewoof, MNIST를 포함하여 이미지 분류를 위한 여러 데이터셋의 자동 다운로드를 지원합니다. 이러한 데이터셋은 YOLO와 쉽게 사용할 수 있는 방식으로 구조화되어 있습니다. 각 데이터셋 페이지에서는 구조와 응용에 대한 자세한 정보를 제공합니다.
Ultralytics YOLO에서 사용자 정의 데이터셋을 사용하려면, 분류 작업에 필요한 지정된 디렉토리 형식을 따르도록 하고, 별도의
train,test, 그리고 선택적으로val디렉토리와 각각의 이미지를 포함하는 각 클래스별 하위 디렉토리가 있는지 확인하십시오. 데이터셋이 올바르게 구조화되면, 학습 스크립트를 초기화할 때data인수를 데이터셋의 루트 디렉토리에 지정하십시오. Python에서의 예시는 다음과 같습니다:from ultralytics import YOLO # Load a model model = YOLO("yolo26n-cls.pt") # load a pretrained model (recommended for training) # Train the model results = model.train(data="path/to/your/dataset", epochs=100, imgsz=640)자세한 내용은 Adding your own dataset 섹션에서 확인할 수 있습니다.
Ultralytics YOLO는 이미지 분류에 있어 다음과 같은 여러 이점을 제공합니다:
- 사전 학습된 모델:
yolo26n-cls.pt과 같은 사전 학습된 모델을 로드하여 학습 프로세스를 빠르게 시작할 수 있습니다. - 사용 편의성: 학습 및 평가를 위한 간단한 API 및 CLI 명령어.
- 고성능: 최첨단 정확도와 속도를 제공하며, 실시간 애플리케이션에 이상적입니다.
- 다양한 데이터셋 지원: CIFAR-10, ImageNet 등 다양한 인기 데이터셋과 원활하게 통합됩니다.
- 커뮤니티 및 지원: 광범위한 문서에 대한 액세스 및 문제 해결과 개선을 위한 활발한 커뮤니티.
추가적인 인사이트와 실제 활용 사례를 보려면 Ultralytics YOLO를 탐색해 보세요.
- 사전 학습된 모델:
Ultralytics YOLO를 사용한 모델 학습은 Python과 CLI 모두에서 쉽게 수행할 수 있습니다. 다음은 예시입니다:
예시from ultralytics import YOLO # Load a model model = YOLO("yolo26n-cls.pt") # load a pretrained model # Train the model results = model.train(data="path/to/dataset", epochs=100, imgsz=640)이러한 예시는 두 접근 방식 중 하나를 사용하여 YOLO 모델을 학습하는 간단한 과정을 보여줍니다. 자세한 내용은 분류 작업에 대한 Usage 섹션과 Train 페이지를 방문하십시오.