객체 탐지 데이터셋 개요#

견고하고 정확한 object detection 모델을 학습하려면 포괄적인 데이터셋이 필요합니다. 본 가이드에서는 Ultralytics YOLO 모델과 호환되는 다양한 데이터셋 형식을 소개하고, 그 구조, 사용법, 그리고 형식 간 변환 방법에 대한 통찰을 제공합니다.

지원되는 데이터셋 형식#

Ultralytics YOLO 형식#

Ultralytics YOLO 형식은 데이터셋의 루트 디렉토리, 훈련/검증/테스트 이미지 디렉토리의 상대 경로 또는 이미지 경로가 포함된 *.txt 파일, 그리고 클래스 이름 딕셔너리를 정의할 수 있는 데이터셋 구성 형식입니다. 다음은 그 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.zip

train, val, test는 각각 디렉토리, 디렉토리 목록, 또는 줄당 하나의 이미지 경로가 나열된 *.txt 파일을 허용합니다 (./로 시작하는 경로는 *.txt 파일을 기준으로 해결됩니다). *.txt 파일은 디렉토리의 하위 집합에서 학습하거나, 레이블이 지정되지 않은 이미지를 건너뛰거나, 여러 소스의 이미지를 하나의 분할(split)로 결합할 때 유용합니다.

path: datasets/coco8 # dataset root
train: train.txt # a directory, a list e.g. [images/a, images/b], or a *.txt file
val: val.txt
names:
  0: person

이 형식의 레이블은 이미지당 하나의 *.txt 파일로 YOLO 형식으로 내보내야 합니다. 이미지에 객체가 없는 경우 *.txt 파일이 필요하지 않습니다. *.txt 파일은 class x_center y_center width height 형식의 객체당 한 행으로 형식화되어야 합니다. 상자 좌표는 정규화된 xywh 형식(0부터 1까지)이어야 합니다. 상자가 픽셀 단위인 경우, x_center와 width를 이미지 너비로 나누고, y_center과 height을 이미지 높이로 나누어야 합니다. 클래스 번호는 0부터 시작해야 합니다(0으로 시작).

위 이미지에 해당하는 레이블 파일에는 2명의 사람(클래스 0)과 넥타이 1개(클래스 27)가 포함되어 있습니다:

Ultralytics YOLO 형식을 사용할 때, 아래의 COCO8 dataset 예시와 같이 훈련 및 검증 이미지와 레이블을 구성하십시오.

사용 예시#

YOLO 형식 데이터셋을 사용하여 모델을 학습시키는 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 파일 구성 요소:

1. 데이터셋 레코드(첫 번째 줄): 작업 유형, 클래스 이름 및 일반 정보를 포함하는 데이터셋 메타데이터를 포함합니다.
2. 이미지 레코드(이후 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"
}

사용자 정의 이미지 메타데이터#

각 이미지 레코드에는 촬영 조건, 장비 식별자, 검토 상태와 같은 애플리케이션별 컨텍스트를 위해 metadata JSON 객체가 포함될 수 있습니다. 중첩된 값도 지원됩니다. Ultralytics Platform으로 가져오면 이 메타데이터는 해당 이미지와 함께 저장되며 전체 화면 정보 패널에서 보고 편집할 수 있습니다.

{
    "type": "image",
    "file": "airbus-wing.jpg",
    "url": "https://example.com/airbus-wing.jpg",
    "split": "train",
    "metadata": {
        "aircraft": { "family": "A350", "section": "wing" },
        "inspectionStatus": "reviewed"
    }
}

Platform은 최상위 메타데이터 키를 128자로 제한하며, 각 이미지의 직렬화된 메타데이터 객체는 500,000자, 하나의 NDJSON 가져오기에 포함된 결합된 유효 메타데이터는 500,000자로 제한합니다.

사용 예시#

YOLO26에서 NDJSON 데이터셋을 사용하려면, .ndjson 파일의 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 정보가 하나의 파일에 포함됨
• 스트리밍: 메모리에 전체를 로드하지 않고 큰 데이터셋을 한 줄씩 처리 가능
• 클라우드 통합: 클라우드 기반 학습을 위한 원격 이미지 URL 지원
• 확장성: 사용자 정의 메타데이터 필드를 쉽게 추가 가능
• 버전 관리: 단일 파일 형식이므로 git 및 버전 관리 시스템과 잘 호환됨

지원되는 데이터셋#

다음은 지원되는 데이터셋 목록과 각각에 대한 간략한 설명입니다:

• African-wildlife: 물소, 코끼리, 코뿔소, 얼룩말을 포함한 아프리카 야생 동물 이미지를 제공하는 데이터셋입니다.
• Argoverse: 풍부한 주석이 포함된 도시 환경의 3D 추적 및 모션 예측 데이터를 포함하는 데이터셋입니다.
• Brain-tumor: 뇌 종양 검출을 위한 데이터셋으로, 종양의 존재 여부, 위치, 특성에 대한 세부 정보가 포함된 MRI 또는 CT 스캔 이미지를 제공합니다.
• COCO: COCO(Common Objects in Context)는 80개의 객체 범주를 가진 대규모 object detection, 분할 및 캡셔닝 데이터셋입니다.
• COCO8: COCO train 및 COCO val의 처음 4개 이미지로 구성된 더 작은 하위 집합으로, 빠른 테스트에 적합합니다.
• COCO8-Grayscale: RGB를 그레이스케일로 변환하여 생성된 COCO8의 그레이스케일 버전으로, 단일 채널 모델 평가에 유용합니다.
• COCO8-Multispectral: RGB 파장을 보간하여 생성된 COCO8의 10채널 다중 분광 버전으로, 스펙트럼 인식 모델 평가에 유용합니다.
• COCO12-Formats: 이미지 로딩 파이프라인 검증을 위해 지원되는 12가지 이미지 형식(AVIF, BMP, DNG, HEIC, JP2, JPEG, JPG, MPO, PNG, TIF, TIFF, WebP)을 다루는 12개의 이미지가 포함된 테스트 데이터셋입니다.
• COCO16: COCO train2017의 처음 16개 이미지(훈련 8개 + 검증 8개)로 구성된 하위 집합으로, 빠른 테스트에 적합합니다.
• COCO32: COCO train2017의 처음 32개 이미지(훈련 16개 + 검증 16개)로 구성된 하위 집합으로, 빠른 테스트에 적합합니다.
• COCO64: COCO train2017의 처음 64개 이미지(훈련 32개 + 검증 32개)로 구성된 하위 집합으로, 빠른 테스트에 적합합니다.
• COCO128: COCO train2017의 처음 128개 이미지로 구성된 더 작은 하위 집합으로, 테스트에 적합합니다.
• Construction-PPE: 헬멧, 조끼, 장갑, 부츠, 고글과 같은 안전 장비가 레이블된 건설 현장 작업자들의 이미지와, 실제 규정 준수 모니터링을 위한 no_helmet, no_goggle과 같은 누락 장비 주석을 포함하는 데이터셋입니다.
• Global Wheat 2020: Global Wheat Challenge 2020을 위한 밀 이삭 이미지를 포함하는 데이터셋입니다.
• HomeObjects-3K: 침대, 의자, TV 등을 포함하는 실내 가정용품 데이터셋으로, 스마트 홈 자동화, 로보틱스, 증강 현실 및 방 배치 분석 등의 애플리케이션에 이상적입니다.
• KITTI: 스테레오, LiDAR, GPS/IMU 데이터가 포함된 실제 주행 장면을 담은 데이터셋으로, 도시, 시골, 고속도로 환경에서 자동차, 보행자, 자전거 이용자 식별과 같은 2D object detection 작업에 사용됩니다.
• LVIS: 1,203개의 객체 범주를 가진 대규모 object detection, 분할 및 캡셔닝 데이터셋입니다.
• Medical-pills: 제약 품질 보증, 알약 분류 및 규정 준수 등의 애플리케이션을 위해 주석이 달린 알약 이미지를 제공하는 데이터셋입니다.
• Objects365: 365개의 객체 범주와 60만 개 이상의 주석이 달린 이미지를 갖춘 고품질의 대규모 object detection 데이터셋입니다.
• OpenImagesV7: 170만 개의 훈련 이미지와 4만 2천 개의 검증 이미지를 포함하는 Google의 포괄적인 데이터셋입니다.
• Roboflow 100: 포괄적인 모델 평가를 위해 7개 이미지 도메인에 걸쳐 100개의 데이터셋을 포함하는 다양한 object detection 벤치마크입니다.
• Signature: 주석이 달린 서명이 포함된 다양한 문서 이미지를 제공하여 문서 검증 및 사기 탐지 연구를 지원하는 데이터셋입니다.
• SKU-110K: 1만 1천 개 이상의 이미지와 170만 개 이상의 bounding boxes를 통해 소매 환경에서의 밀집 object detection을 제공하는 데이터셋입니다.
• TT100K: 221개의 표지판 범주에 걸쳐 16,817개의 거리뷰 이미지를 포함하는 Tsinghua-Tencent 100K (TT100K) 교통표지판 데이터셋을 탐색하여 견고한 탐지 및 분류를 수행해 보세요.
• VisDrone: 1만 개 이상의 이미지와 비디오 시퀀스로 구성된, 드론으로 촬영한 이미지 데이터에서 object detection 및 다중 객체 추적 데이터를 제공하는 데이터셋입니다.
• VOC: 20개의 객체 클래스와 1만 1천 개 이상의 이미지를 포함하는 object detection 및 분할용 Pascal Visual Object Classes (VOC) 데이터셋입니다.
• xView: 60개의 객체 범주와 1만 개 이상의 주석이 달린 객체를 포함하는 상공 이미지 object detection 데이터셋입니다.

자신만의 데이터셋 추가하기#

자체 데이터셋을 보유하고 있으며 이를 Ultralytics YOLO 형식으로 객체 탐지 모델 학습에 사용하려는 경우, 위에서 명시된 "Ultralytics YOLO 형식"을 따르는지 확인하십시오. 주석을 필요한 형식으로 변환하고 YAML 구성 파일에 경로, 클래스 수 및 클래스 이름을 지정하십시오.

라벨 형식 포팅 또는 변환#

COCO 데이터셋 형식을 YOLO 형식으로#

다음 코드 조각을 사용하여 인기 있는 COCO dataset 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 도구는 COCO 데이터셋 또는 COCO 형식의 모든 데이터셋을 Ultralytics YOLO 형식으로 변환하는 데 사용할 수 있습니다. 이 과정은 JSON 기반의 COCO 어노테이션을 더 간단한 텍스트 기반의 YOLO 형식으로 변환하여 Ultralytics YOLO models와 호환되도록 만듭니다. 클래스 ID 매핑, 디렉토리 구조, 그리고 세그멘테이션 또는 포즈 어노테이션을 포함한 전체 워크플로우는 Convert COCO Annotations to YOLO를 참조하십시오.

사용하려는 데이터셋이 모델과 호환되며 필요한 형식 규칙을 따르는지 다시 한 번 확인하십시오. 올바르게 형식화된 데이터셋은 성공적인 객체 탐지 모델 학습에 매우 중요합니다.

다음 단계#

데이터셋 형식을 지정한 후 start training your model을 진행하세요. 어떤 사전 학습된 모델부터 시작해야 할지 모르시겠나요? YOLO26 model family에서 옵션을 비교해 보세요.

FAQ#