객체 탐지 데이터셋 개요
강력하고 정확한 객체 탐지 모델을 학습하려면 포괄적인 데이터셋이 필요합니다. 이 가이드에서는 Ultralytics YOLO 모델과 호환되는 다양한 데이터셋 형식을 소개하고, 데이터셋의 구조, 사용법 및 형식 간 변환 방법에 대한 인사이트를 제공합니다.
지원되는 데이터셋 형식
Ultralytics YOLO 형식
Ultralytics YOLO 형식은 데이터셋 루트 디렉터리, 학습/검증/테스트 이미지 디렉터리 또는 이미지 경로가 포함된 *.txt 파일의 상대 경로, 그리고 클래스 이름 딕셔너리를 정의할 수 있는 데이터셋 구성 형식입니다. 다음은 예시입니다:
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8/
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8 ← downloads here (1 MB)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)
# Classes
names:
0: person
1: bicycle
2: car
3: motorcycle
4: airplane
5: bus
6: train
7: truck
8: boat
9: traffic light
10: fire hydrant
11: stop sign
12: parking meter
13: bench
14: bird
15: cat
16: dog
17: horse
18: sheep
19: cow
20: elephant
21: bear
22: zebra
23: giraffe
24: backpack
25: umbrella
26: handbag
27: tie
28: suitcase
29: frisbee
30: skis
31: snowboard
32: sports ball
33: kite
34: baseball bat
35: baseball glove
36: skateboard
37: surfboard
38: tennis racket
39: bottle
40: wine glass
41: cup
42: fork
43: knife
44: spoon
45: bowl
46: banana
47: apple
48: sandwich
49: orange
50: broccoli
51: carrot
52: hot dog
53: pizza
54: donut
55: cake
56: chair
57: couch
58: potted plant
59: bed
60: dining table
61: toilet
62: tv
63: laptop
64: mouse
65: remote
66: keyboard
67: cell phone
68: microwave
69: oven
70: toaster
71: sink
72: refrigerator
73: book
74: clock
75: vase
76: scissors
77: teddy bear
78: hair drier
79: toothbrush
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8.zip이 형식의 레이블은 이미지당 하나의 *.txt 파일이 있는 YOLO 형식으로 내보내야 합니다. 이미지에 객체가 없으면 *.txt 파일이 필요하지 않습니다. *.txt 파일은 객체당 한 행씩 class x_center y_center width height 형식으로 구성되어야 합니다. 박스 좌표는 정규화된 xywh 형식(0에서 1 사이)이어야 합니다. 박스 좌표가 픽셀 단위인 경우, x_center와 width를 이미지 너비로, y_center와 height를 이미지 높이로 나누어야 합니다. 클래스 번호는 0부터 시작하는 인덱스(0부터 시작)여야 합니다.
위 이미지에 해당하는 레이블 파일에는 2명의 사람(클래스 0)과 넥타이 1개(클래스 27)가 포함되어 있습니다:
Ultralytics YOLO 형식을 사용할 때는 아래 COCO8 데이터셋 예시와 같이 학습 및 검증 이미지와 레이블을 구성하십시오.
사용 예시
YOLO 형식 데이터셋을 사용하여 모델을 학습하는 방법은 다음과 같습니다:
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)Ultralytics NDJSON 형식
NDJSON(Newline Delimited JSON) 형식은 Ultralytics YOLO 모델을 위한 데이터셋을 정의하는 또 다른 방법을 제공합니다. 이 형식은 데이터셋 메타데이터와 주석을 단일 파일에 저장하며, 각 줄에는 별도의 JSON 객체가 포함됩니다.
NDJSON 데이터셋 파일에는 다음이 포함됩니다:
- 데이터셋 레코드(첫 번째 줄): 작업 유형, 클래스 이름 및 일반 정보를 포함한 데이터셋 메타데이터를 포함합니다.
- 이미지 레코드(후속 줄): 크기, 주석 및 파일 경로를 포함한 개별 이미지 데이터를 포함합니다.
{
"type": "dataset",
"task": "detect",
"name": "Example",
"description": "COCO NDJSON example dataset",
"url": "https://app.ultralytics.com/user/datasets/example",
"class_names": { "0": "person", "1": "bicycle", "2": "car" },
"bytes": 426342,
"version": 0,
"created_at": "2024-01-01T00:00:00Z",
"updated_at": "2025-01-01T00:00:00Z"
}사용 예시
YOLO26에서 NDJSON 데이터셋을 사용하려면 .ndjson 파일 경로를 지정하기만 하면 됩니다:
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt")
# Train using NDJSON dataset
results = model.train(data="path/to/dataset.ndjson", epochs=100, imgsz=640)NDJSON 형식의 장점
- 단일 파일: 모든 데이터셋 정보를 하나의 파일에 포함합니다.
- 스트리밍: 대용량 데이터셋을 모든 데이터를 메모리에 로드하지 않고 한 줄씩 처리할 수 있습니다.
- 클라우드 통합: 클라우드 기반 학습을 위한 원격 이미지 URL을 지원합니다.
- 확장성: 사용자 정의 메타데이터 필드를 쉽게 추가할 수 있습니다.
- 버전 관리: 단일 파일 형식은 git 및 버전 관리 시스템과 잘 작동합니다.
지원되는 데이터셋
지원되는 데이터셋 목록과 각각에 대한 간략한 설명입니다:
- African-wildlife: 버팔로, 코끼리, 코뿔소, 얼룩말 등 아프리카 야생 동물의 이미지가 포함된 데이터셋입니다.
- Argoverse: 풍부한 주석이 달린 도시 환경의 3D 추적 및 동작 예측 데이터가 포함된 데이터셋입니다.
- Brain-tumor: 뇌종양 탐지를 위한 데이터셋으로, 종양의 존재, 위치 및 특성에 대한 세부 정보가 포함된 MRI 또는 CT 스캔 이미지가 포함되어 있습니다.
- COCO: COCO(Common Objects in Context)는 80개의 객체 범주를 가진 대규모 객체 탐지, 세그먼테이션 및 캡셔닝 데이터셋입니다.
- COCO8: 빠른 테스트에 적합한 COCO train 및 COCO val의 처음 4개 이미지를 포함하는 작은 하위 집합입니다.
- COCO8-Grayscale: RGB를 그레이스케일로 변환하여 생성된 COCO8의 그레이스케일 버전으로, 단일 채널 모델 평가에 유용합니다.
- COCO8-Multispectral: RGB 파장을 보간하여 생성된 10채널 다중 스펙트럼 버전의 COCO8로, 스펙트럼 인식 모델 평가에 유용합니다.
- COCO12-Formats: 이미지 로딩 파이프라인을 검증하기 위해 지원되는 모든 이미지 형식(AVIF, BMP, DNG, HEIC, JP2, JPEG, JPG, MPO, PNG, TIF, TIFF, WebP)을 포함하는 12개의 이미지를 가진 테스트 데이터셋입니다.
- COCO128: 테스트에 적합한 COCO train 및 COCO val의 처음 128개 이미지를 포함하는 작은 하위 집합입니다.
- Construction-PPE: 안전모, 조끼, 장갑, 부츠, 고글과 같은 레이블이 지정된 안전 장비를 착용한 건설 현장 작업자의 데이터셋으로, 실제 현장 규정 준수 모니터링을 위해 no_helmet, no_googles와 같은 장비 누락 주석이 포함되어 있습니다.
- Global Wheat 2020: Global Wheat Challenge 2020을 위한 밀 이삭 이미지가 포함된 데이터셋입니다.
- HomeObjects-3K: 침대, 의자, TV 등을 포함한 실내 가구 데이터셋으로, 스마트 홈 자동화, 로봇 공학, 증강 현실 및 실내 레이아웃 분석 애플리케이션에 이상적입니다.
- KITTI: 스테레오, LiDAR 및 GPS/IMU 데이터가 포함된 실제 주행 장면 데이터셋으로, 도시, 농촌 및 고속도로 환경에서 자동차, 보행자, 자전거 이용자를 식별하는 2D 객체 탐지 작업에 사용됩니다.
- LVIS: 1203개의 객체 범주를 가진 대규모 객체 탐지, 세그먼테이션 및 캡셔닝 데이터셋입니다.
- Medical-pills: 의약품 품질 보증, 알약 분류 및 규제 준수와 같은 애플리케이션을 위해 주석이 달린 알약 이미지 데이터셋입니다.
- Objects365: 365개의 객체 범주와 60만 개 이상의 주석이 달린 이미지를 포함하는 고품질 대규모 객체 탐지 데이터셋입니다.
- OpenImagesV7: Google에서 제공하는 포괄적인 데이터셋으로 170만 개의 학습 이미지와 4만 2천 개의 검증 이미지를 포함합니다.
- Roboflow 100: 포괄적인 모델 평가를 위해 7개의 이미지 도메인에 걸쳐 100개의 데이터셋을 포함하는 다양한 객체 탐지 벤치마크입니다.
- Signature: 문서 확인 및 사기 탐지 연구를 지원하는 주석이 달린 서명 이미지 데이터셋입니다.
- SKU-110K: 1만 1천 개 이상의 이미지와 170만 개의 경계 상자가 포함된 소매 환경의 밀집 객체 탐지 데이터셋입니다.
- TT100K: 10만 개의 거리 뷰 이미지와 3만 개 이상의 주석이 달린 교통 표지판이 포함된 Tsinghua-Tencent 100K(TT100K) 교통 표지판 데이터셋입니다.
- VisDrone: 1만 개 이상의 이미지와 비디오 시퀀스가 포함된 드론 촬영 이미지의 객체 탐지 및 다중 객체 추적 데이터셋입니다.
- VOC: 20개의 객체 클래스와 1만 1천 개 이상의 이미지를 포함하는 객체 탐지 및 세그먼테이션용 Pascal VOC 데이터셋입니다.
- xView: 60개의 객체 범주와 100만 개 이상의 주석이 달린 객체가 포함된 항공 이미지 객체 탐지 데이터셋입니다.
나만의 데이터셋 추가하기
나만의 데이터셋을 가지고 있고 이를 Ultralytics YOLO 형식으로 탐지 모델 학습에 사용하려면, 위 "Ultralytics YOLO 형식" 섹션에 지정된 형식을 따르는지 확인하십시오. 주석을 필요한 형식으로 변환하고 YAML 구성 파일에서 경로, 클래스 수 및 클래스 이름을 지정하십시오.
레이블 형식 포팅 또는 변환
COCO 데이터셋 형식을 YOLO 형식으로 변환
다음 코드 스니펫을 사용하여 널리 사용되는 COCO 데이터셋 형식의 레이블을 YOLO 형식으로 쉽게 변환할 수 있습니다:
from ultralytics.data.converter import convert_coco
convert_coco(labels_dir="path/to/coco/annotations/")이 변환 도구를 사용하면 COCO 데이터셋 또는 COCO 형식의 모든 데이터셋을 Ultralytics YOLO 형식으로 변환할 수 있습니다. 이 프로세스는 JSON 기반의 COCO 주석을 더 간단한 텍스트 기반의 YOLO 형식으로 변환하여 Ultralytics YOLO 모델과 호환되게 만듭니다.
사용하려는 데이터셋이 모델과 호환되는지, 필요한 형식 규칙을 따르는지 다시 확인하십시오. 적절하게 구성된 데이터셋은 성공적인 객체 탐지 모델 학습에 매우 중요합니다.
FAQ
Ultralytics YOLO 데이터셋 형식이란 무엇이며 어떻게 구조화합니까?
Ultralytics YOLO 형식은 학습 프로젝트에서 데이터셋을 정의하기 위한 구조화된 구성입니다. 학습, 검증 및 테스트 이미지와 해당 레이블에 대한 경로를 설정하는 과정을 포함합니다. 예를 들면 다음과 같습니다:
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8/
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8 ← downloads here (1 MB)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)
# Classes
names:
0: person
1: bicycle
2: car
3: motorcycle
4: airplane
5: bus
6: train
7: truck
8: boat
9: traffic light
10: fire hydrant
11: stop sign
12: parking meter
13: bench
14: bird
15: cat
16: dog
17: horse
18: sheep
19: cow
20: elephant
21: bear
22: zebra
23: giraffe
24: backpack
25: umbrella
26: handbag
27: tie
28: suitcase
29: frisbee
30: skis
31: snowboard
32: sports ball
33: kite
34: baseball bat
35: baseball glove
36: skateboard
37: surfboard
38: tennis racket
39: bottle
40: wine glass
41: cup
42: fork
43: knife
44: spoon
45: bowl
46: banana
47: apple
48: sandwich
49: orange
50: broccoli
51: carrot
52: hot dog
53: pizza
54: donut
55: cake
56: chair
57: couch
58: potted plant
59: bed
60: dining table
61: toilet
62: tv
63: laptop
64: mouse
65: remote
66: keyboard
67: cell phone
68: microwave
69: oven
70: toaster
71: sink
72: refrigerator
73: book
74: clock
75: vase
76: scissors
77: teddy bear
78: hair drier
79: toothbrush
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8.zip레이블은 이미지당 하나의 파일로 *.txt 파일에 저장되며, 정규화된 좌표를 사용하여 class x_center y_center width height 형식으로 저장됩니다. 자세한 가이드는 COCO8 데이터셋 예시를 참조하십시오.
COCO 데이터셋을 YOLO 형식으로 어떻게 변환합니까?
Ultralytics 변환 도구를 사용하여 COCO 데이터셋을 YOLO 형식으로 변환할 수 있습니다. 빠른 방법은 다음과 같습니다:
from ultralytics.data.converter import convert_coco
convert_coco(labels_dir="path/to/coco/annotations/")이 코드는 COCO 주석을 YOLO 형식으로 변환하여 Ultralytics YOLO 모델과 원활하게 통합할 수 있게 합니다. 추가 세부 정보는 레이블 형식 포팅 또는 변환 섹션을 방문하십시오.
객체 탐지를 위해 Ultralytics YOLO에서 지원되는 데이터셋은 무엇입니까?
Ultralytics YOLO는 다음을 포함하여 광범위한 데이터셋을 지원합니다:
각 데이터셋 페이지는 효율적인 YOLO26 학습에 최적화된 구조와 사용법에 대한 자세한 정보를 제공합니다. 지원되는 데이터셋 섹션에서 전체 목록을 살펴보십시오.
내 데이터셋을 사용하여 YOLO26 모델 학습을 어떻게 시작합니까?
YOLO26 모델 학습을 시작하려면 데이터셋 형식이 올바른지 확인하고 YAML 파일에 경로가 정의되어 있는지 확인하십시오. 학습을 시작하려면 다음 스크립트를 사용하십시오:
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # Load a pretrained model
results = model.train(data="path/to/your_dataset.yaml", epochs=100, imgsz=640)CLI 명령어를 포함한 다양한 모드 사용에 대한 자세한 내용은 사용법 섹션을 참조하십시오.
객체 탐지에 Ultralytics YOLO를 사용하는 실용적인 예시는 어디에서 찾을 수 있습니까?
Ultralytics는 다양한 애플리케이션에서 YOLO26을 사용하기 위한 수많은 예시와 실용적인 가이드를 제공합니다. 포괄적인 개요를 보려면 Ultralytics 블로그를 방문하여 YOLO26을 이용한 객체 탐지, 세그먼테이션 등을 보여주는 사례 연구, 상세 튜토리얼 및 커뮤니티 이야기를 확인하십시오. 특정 예시는 문서의 사용법 섹션을 확인하십시오.