์ด๋ฏธ์ง ๋ถ๋ฅ ๋ฐ์ดํฐ ์ธํธ ๊ฐ์
YOLO ๋ถ๋ฅ ์์ ์ ๋ฐ์ดํฐ ์ธํธ ๊ตฌ์กฐ
For Ultralytics YOLO ๋ถ๋ฅ ์์
์ ๊ฒฝ์ฐ ๋ฐ์ดํฐ ์ธํธ๋ ์๋์ ํน์ ๋ถํ ๋๋ ํฐ๋ฆฌ ๊ตฌ์กฐ๋ก ๊ตฌ์ฑ๋์ด์ผ ํฉ๋๋ค. root
๋๋ ํ ๋ฆฌ๋ฅผ ์ฌ์ฉํ์ฌ ์ ์ ํ ๊ต์ก, ํ
์คํธ ๋ฐ ์ ํ์ ์ ํจ์ฑ ๊ฒ์ฌ ํ๋ก์ธ์ค๋ฅผ ์ฉ์ดํ๊ฒ ํฉ๋๋ค. ์ด ๊ตฌ์กฐ์๋ ๊ต์ก์ ์ํ ๋ณ๋์ ๋๋ ํฐ๋ฆฌ(train
) ๋ฐ ํ
์คํธ(test
) ๋จ๊ณ, ์ ํจ์ฑ ๊ฒ์ฌ๋ฅผ ์ํ ์ ํ์ ๋๋ ํ ๋ฆฌ(val
).
์ด๋ฌํ ๊ฐ ๋๋ ํฐ๋ฆฌ์๋ ๋ฐ์ดํฐ ์ธํธ์ ๊ฐ ํด๋์ค์ ๋ํด ํ๋์ ํ์ ๋๋ ํฐ๋ฆฌ๊ฐ ํฌํจ๋์ด์ผ ํฉ๋๋ค. ํ์ ๋๋ ํฐ๋ฆฌ๋ ํด๋น ํด๋์ค์ ์ด๋ฆ์ ๋ฐ์ ๋ช ๋ช ๋๋ฉฐ ํด๋น ํด๋์ค์ ๋ํ ๋ชจ๋ ์ด๋ฏธ์ง๋ฅผ ํฌํจํฉ๋๋ค. ๊ฐ ์ด๋ฏธ์ง ํ์ผ์ ์ด๋ฆ์ ๊ณ ์ ํ๊ฒ ์ง์ ํ๊ณ JPEG ๋๋ PNG์ ๊ฐ์ ๊ณตํต ํ์์ผ๋ก ์ ์ฅํด์ผ ํฉ๋๋ค.
ํด๋ ๊ตฌ์กฐ ์์
CIFAR-10 ๋ฐ์ดํฐ ์งํฉ์ ์๋ก ๋ค์ด ๋ณด๊ฒ ์ต๋๋ค. ํด๋ ๊ตฌ์กฐ๋ ๋ค์๊ณผ ๊ฐ์์ผ ํฉ๋๋ค:
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
| | |-- ...
| |
| |-- ...
์ด๋ฌํ ๊ตฌ์กฐํ๋ ์ ๊ทผ ๋ฐฉ์์ ๋ชจ๋ธ์ด ํ๋ จ ๋จ๊ณ์์ ์ ๊ตฌ์ฑ๋ ํด๋์ค๋ฅผ ํตํด ํจ๊ณผ์ ์ผ๋ก ํ์ตํ๊ณ ํ ์คํธ ๋ฐ ๊ฒ์ฆ ๋จ๊ณ์์ ์ฑ๋ฅ์ ์ ํํ๊ฒ ํ๊ฐํ ์ ์๋๋ก ํฉ๋๋ค.
์ฌ์ฉ๋ฒ
์
์ง์๋๋ ๋ฐ์ดํฐ ์ธํธ
Ultralytics ๋ ์๋ ๋ค์ด๋ก๋๋ฅผ ํตํด ๋ค์๊ณผ ๊ฐ์ ๋ฐ์ดํฐ ์ธํธ๋ฅผ ์ง์ํฉ๋๋ค:
- Caltech 101: A dataset containing images of 101 object categories for image classification tasks.
- Caltech 256: 256๊ฐ์ ๊ฐ์ฒด ๋ฒ์ฃผ์ ๋ ์ด๋ ค์ด ์ด๋ฏธ์ง๊ฐ ํฌํจ๋ Caltech 101์ ํ์ฅ ๋ฒ์ ์ ๋๋ค.
- CIFAR-10: 10๊ฐ์ ํด๋์ค๋ก ๊ตฌ์ฑ๋ 60K 32x32 ์ปฌ๋ฌ ์ด๋ฏธ์ง ๋ฐ์ดํฐ ์ธํธ(ํด๋์ค๋น 6K ์ด๋ฏธ์ง)์ ๋๋ค.
- CIFAR-100: 100๊ฐ์ ๊ฐ์ฒด ์นดํ ๊ณ ๋ฆฌ์ ํด๋์ค๋น 600๊ฐ์ ์ด๋ฏธ์ง๊ฐ ํฌํจ๋ CIFAR-10์ ํ์ฅ ๋ฒ์ ์ ๋๋ค.
- Fashion-MNIST: ์ด๋ฏธ์ง ๋ถ๋ฅ ์์ ์ ์ํ 10๊ฐ์ง ํจ์ ์นดํ ๊ณ ๋ฆฌ์ 70,000๊ฐ ํ๋ฐฑ ์ด๋ฏธ์ง๋ก ๊ตฌ์ฑ๋ ๋ฐ์ดํฐ ์ธํธ์ ๋๋ค.
- ImageNet: A large-scale dataset for object detection and image classification with over 14 million images and 20,000 categories.
- ImageNet-10: ๋ ๋น ๋ฅธ ์คํ๊ณผ ํ ์คํธ๋ฅผ ์ํด 10๊ฐ์ ์นดํ ๊ณ ๋ฆฌ๋ก ๊ตฌ์ฑ๋ ImageNet์ ์์ ํ์ ์งํฉ์ ๋๋ค.
- ์ด๋ฏธ์ง๋ท: ๋ ๋น ๋ฅธ ๊ต์ก๊ณผ ํ ์คํธ๋ฅผ ์ํด ์ฝ๊ฒ ๊ตฌ๋ถํ ์ ์๋ 10๊ฐ์ ํด๋์ค๋ฅผ ํฌํจํ๋ ImageNet์ ์์ ํ์ ์งํฉ์ ๋๋ค.
- ์ด๋ฏธ์ง ์ฐํ: ์ด๋ฏธ์ง ๋ถ๋ฅ ์์ ์ ์ํ 10๊ฐ์ง ๊ฒฌ์ข ์นดํ ๊ณ ๋ฆฌ๋ฅผ ํฌํจํ๋ ImageNet์ ๋ ๊น๋ค๋ก์ด ํ์ ์งํฉ์ ๋๋ค.
- MNIST: ์ด๋ฏธ์ง ๋ถ๋ฅ ์์ ์ ์ํ 70,000๊ฐ์ ์์ผ๋ก ์ด ์ซ์๋ก ๊ตฌ์ฑ๋ ํ์์กฐ ์ด๋ฏธ์ง ๋ฐ์ดํฐ ์ธํธ์ ๋๋ค.
- MNIST160: First 8 images of each MNIST category from the MNIST dataset. Dataset contains 160 images total.
๋๋ง์ ๋ฐ์ดํฐ ์งํฉ ์ถ๊ฐํ๊ธฐ
์์ฒด ๋ฐ์ดํฐ ์ธํธ๊ฐ ์๊ณ ์ด๋ฅผ Ultralytics ๋ก ๋ถ๋ฅ ๋ชจ๋ธ์ ํ๋ จํ๋ ๋ฐ ์ฌ์ฉํ๋ ค๋ ๊ฒฝ์ฐ, ์์ "๋ฐ์ดํฐ ์ธํธ ํ์"์์ ์ง์ ๋ ํ์์ ๋ฐ๋ฅด๋์ง ํ์ธํ ๋ค์ ๋ค์์ ๊ฐ๋ฆฌํค์ธ์. data
์ธ์๋ฅผ ๋ฐ์ดํฐ ์งํฉ ๋๋ ํฐ๋ฆฌ์ ์ถ๊ฐํฉ๋๋ค.
์์ฃผ ๋ฌป๋ ์ง๋ฌธ
YOLO ๋ถ๋ฅ ์์ ์ ์ํด ๋ฐ์ดํฐ ์งํฉ์ ์ด๋ป๊ฒ ๊ตฌ์ฑํ๋์?
Ultralytics YOLO ๋ถ๋ฅ ์์
์ ์ํด ๋ฐ์ดํฐ ์งํฉ์ ๊ตฌ์ฑํ๋ ค๋ฉด ํน์ ๋ถํ ๋๋ ํฐ๋ฆฌ ํ์์ ๋ฐ๋ผ์ผ ํฉ๋๋ค. ๋ฐ์ดํฐ ์งํฉ์ ๋ค์๊ณผ ๊ฐ์ ๋ณ๋์ ๋๋ ํฐ๋ฆฌ๋ก ๊ตฌ์ฑํฉ๋๋ค. train
, test
๋ฐ ์ ํ์ ์ผ๋ก val
. ์ด๋ฌํ ๊ฐ ๋๋ ํฐ๋ฆฌ์๋ ๊ฐ ํด๋์ค์ ์ด๋ฆ์ ๋ด ํ์ ๋๋ ํฐ๋ฆฌ๊ฐ ์์ด์ผ ํ๋ฉฐ, ๊ทธ ์์ ํด๋น ์ด๋ฏธ์ง๊ฐ ๋ค์ด ์์ด์ผ ํฉ๋๋ค. ์ด๋ ๊ฒ ํ๋ฉด ๊ต์ก ๋ฐ ํ๊ฐ ํ๋ก์ธ์ค๊ฐ ์ํํ๊ฒ ์งํ๋ฉ๋๋ค. ์๋ฅผ ๋ค์ด CIFAR-10 ๋ฐ์ดํฐ ์ธํธ ํ์์ ์ดํด๋ด
์๋ค:
cifar-10-/
|-- train/
| |-- airplane/
| |-- automobile/
| |-- bird/
| ...
|-- test/
| |-- airplane/
| |-- automobile/
| |-- bird/
| ...
|-- val/ (optional)
| |-- airplane/
| |-- automobile/
| |-- bird/
| ...
์์ธํ ๋ด์ฉ์ YOLO ๋ถ๋ฅ ์์ ์ ๋ฐ์ดํฐ ์ธํธ ๊ตฌ์กฐ๋ฅผ ์ฐธ์กฐํ์ธ์.
์ด๋ฏธ์ง ๋ถ๋ฅ๋ฅผ ์ํด Ultralytics YOLO ์์ ์ง์ํ๋ ๋ฐ์ดํฐ ์ธํธ๋ ๋ฌด์์ธ๊ฐ์?
Ultralytics YOLO ๋ ์ด๋ฏธ์ง ๋ถ๋ฅ๋ฅผ ์ํ ์ฌ๋ฌ ๋ฐ์ดํฐ ์ธํธ์ ์๋ ๋ค์ด๋ก๋๋ฅผ ์ง์ํฉ๋๋ค:
- Caltech 101
- ์นผํ 256
- CIFAR-10
- CIFAR-100
- ํจ์ -MNIST
- ์ด๋ฏธ์ง๋ท
- ImageNet-10
- ์ด๋ฏธ์ง๋ท
- ์ด๋ฏธ์ง ์ฐํ
- MNIST
์ด๋ฌํ ๋ฐ์ดํฐ ์ธํธ๋ YOLO ์์ ์ฝ๊ฒ ์ฌ์ฉํ ์ ์๋๋ก ๊ตฌ์กฐํ๋์ด ์์ต๋๋ค. ๊ฐ ๋ฐ์ดํฐ ์ธํธ์ ํ์ด์ง์์ ๊ทธ ๊ตฌ์กฐ์ ํ์ฉ์ ๋ํ ์์ธํ ๋ด์ฉ์ ํ์ธํ ์ ์์ต๋๋ค.
YOLO ์ด๋ฏธ์ง ๋ถ๋ฅ๋ฅผ ์ํด ๋๋ง์ ๋ฐ์ดํฐ ์ธํธ๋ฅผ ์ถ๊ฐํ๋ ค๋ฉด ์ด๋ป๊ฒ ํด์ผ ํ๋์?
์์ฒด ๋ฐ์ดํฐ์
์ ์ฌ์ฉํ๋ ค๋ฉด Ultralytics YOLO , ๋ถ๋ฅ ์์
์ ํ์ํ ์ง์ ๋ ๋๋ ํฐ๋ฆฌ ํ์์ ๋ฐ๋ฅด๊ณ ๋ณ๋์ train
, test
๋ฐ ์ ํ์ ์ผ๋ก val
๋๋ ํฐ๋ฆฌ์ ๊ฐ ์ด๋ฏธ์ง๊ฐ ํฌํจ๋ ๊ฐ ํด๋์ค์ ํ์ ๋๋ ํฐ๋ฆฌ๋ฅผ ์ง์ ํฉ๋๋ค. ๋ฐ์ดํฐ ์ธํธ๊ฐ ์ฌ๋ฐ๋ฅด๊ฒ ๊ตฌ์กฐํ๋๋ฉด ๋ฐ์ดํฐ ์ธํธ์ data
์ธ์๋ฅผ ๋ฐ์ดํฐ ์ธํธ์ ๋ฃจํธ ๋๋ ํฐ๋ฆฌ์ ์ถ๊ฐํฉ๋๋ค. ๋ค์์ Python ์ ์๋ ์์ ์
๋๋ค:
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-cls.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="path/to/your/dataset", epochs=100, imgsz=640)
์์ธํ ๋ด์ฉ์ ๋๋ง์ ๋ฐ์ดํฐ ์ธํธ ์ถ๊ฐํ๊ธฐ ์น์ ์์ ํ์ธํ ์ ์์ต๋๋ค.
์ด๋ฏธ์ง ๋ถ๋ฅ์ Ultralytics YOLO ์ ์ฌ์ฉํด์ผ ํ๋ ์ด์ ๋ ๋ฌด์์ธ๊ฐ์?
Ultralytics YOLO ๋ ์ด๋ฏธ์ง ๋ถ๋ฅ์ ๋ค์๊ณผ ๊ฐ์ ์ฌ๋ฌ ๊ฐ์ง ์ด์ ์ ์ ๊ณตํฉ๋๋ค:
- ์ฌ์ ํ์ต๋ ๋ชจ๋ธ: ๋ค์๊ณผ ๊ฐ์ด ์ฌ์ ํ์ต๋ ๋ชจ๋ธ์ ๋ก๋ํฉ๋๋ค.
yolo11n-cls.pt
๋ฅผ ํด๋ฆญํด ๊ต์ก ๊ณผ์ ์ ์์ํ์ธ์. - ์ฌ์ฉ ํธ์์ฑ: ๊ต์ก ๋ฐ ํ๊ฐ๋ฅผ ์ํ ๊ฐ๋จํ API ๋ฐ CLI ๋ช ๋ น์ด.
- High Performance: State-of-the-art accuracy and speed, ideal for real-time applications.
- ์ฌ๋ฌ ๋ฐ์ดํฐ ์ธํธ ์ง์: CIFAR-10, ImageNet ๋ฑ ๋ค์ํ ์ธ๊ธฐ ๋ฐ์ดํฐ ์ธํธ์ ์ํํ๊ฒ ํตํฉ๋ฉ๋๋ค.
- ์ปค๋ฎค๋ํฐ ๋ฐ ์ง์: ๊ด๋ฒ์ํ ๋ฌธ์์ ๋ฌธ์ ํด๊ฒฐ ๋ฐ ๊ฐ์ ์ ์ํ ํ๋ฐํ ์ปค๋ฎค๋ํฐ์ ์ก์ธ์คํ ์ ์์ต๋๋ค.
์ถ๊ฐ ์ธ์ฌ์ดํธ์ ์ค์ ์ ์ฉ ์ฌ๋ก์ ๋ํ ์์ธํ ๋ด์ฉ์ Ultralytics YOLO.
Ultralytics YOLO ์ ์ฌ์ฉํ์ฌ ๋ชจ๋ธ์ ํ๋ จํ๋ ค๋ฉด ์ด๋ป๊ฒ ํด์ผ ํ๋์?
Ultralytics YOLO ์ ์ฌ์ฉํ์ฌ ๋ชจ๋ธ์ ํ๋ จํ๋ ๊ฒ์ Python ๊ณผ CLI ์์ ๋ชจ๋ ์ฝ๊ฒ ์ํํ ์ ์์ต๋๋ค:
์
์ด ์๋ ๋ ๊ฐ์ง ์ ๊ทผ ๋ฐฉ์์ ์ฌ์ฉํ์ฌ YOLO ๋ชจ๋ธ์ ํ๋ จํ๋ ๊ฐ๋จํ ํ๋ก์ธ์ค๋ฅผ ๋ณด์ฌ์ค๋๋ค. ์์ธํ ๋ด์ฉ์ ์ฌ์ฉ๋ฒ ์น์ ์ ์ฐธ์กฐํ์ธ์.