μ½˜ν…μΈ λ‘œ κ±΄λ„ˆλ›°κΈ°

K-ν΄λ“œ ꡐ차 검증을 ν†΅ν•œ Ultralytics

μ†Œκ°œ

이 μ’…ν•© κ°€μ΄λ“œλŠ” Ultralytics μ—μ½”μ‹œμŠ€ν…œ λ‚΄μ—μ„œ 개체 감지 데이터 μ„ΈνŠΈμ— λŒ€ν•œ K-Fold ꡐ차 검증을 κ΅¬ν˜„ν•˜λŠ” 방법을 μ„€λͺ…ν•©λ‹ˆλ‹€. YOLO 감지 ν˜•μ‹κ³Ό sklearn, pandas, PyYamlκ³Ό 같은 μ£Όμš” Python 라이브러리λ₯Ό ν™œμš©ν•˜μ—¬ ν•„μš”ν•œ μ„€μ •, νŠΉμ§• 벑터 생성 ν”„λ‘œμ„ΈμŠ€, K-Fold 데이터 μ„ΈνŠΈ λΆ„ν•  싀행을 μ•ˆλ‚΄ν•©λ‹ˆλ‹€.

K-ν΄λ“œ 크둜슀 검증 κ°œμš”

ν”„λ‘œμ νŠΈμ— 과일 감지 데이터 μ„ΈνŠΈκ°€ ν¬ν•¨λ˜λ“  μ‚¬μš©μž 지정 데이터 μ†ŒμŠ€κ°€ ν¬ν•¨λ˜λ“ , 이 νŠœν† λ¦¬μ–Όμ€ K-λ°° ꡐ차 검증을 μ΄ν•΄ν•˜κ³  μ μš©ν•˜μ—¬ ν”„λ‘œμ νŠΈμ˜ μ‹ λ’°μ„±κ³Ό 견고성을 κ°•ν™”ν•˜λŠ” 데 도움을 μ£ΌλŠ” 것을 λͺ©ν‘œλ‘œ ν•©λ‹ˆλ‹€. λ¨Έμ‹  λŸ¬λ‹ λͺ¨λΈμ— μ μš©ν•©λ‹ˆλ‹€. μ‹ μ²­ν•˜λŠ” λ™μ•ˆ k=5 μ ‘κΈ°λ₯Ό μ‚¬μš©ν–ˆμ§€λ§Œ, 졜적의 μ ‘κΈ° μˆ˜λŠ” 데이터 μ„ΈνŠΈμ™€ ν”„λ‘œμ νŠΈμ˜ νŠΉμ„±μ— 따라 λ‹¬λΌμ§ˆ 수 μžˆλ‹€λŠ” 점에 μœ μ˜ν•˜μ„Έμš”.

더 이상 κ³ λ―Όν•  ν•„μš” 없이 λ°”λ‘œ μ‹œμž‘ν•˜κ² μŠ΅λ‹ˆλ‹€!

μ„€μ •

  • 주석은 YOLO 탐지 ν˜•μ‹μœΌλ‘œ μž‘μ„±ν•΄μ•Ό ν•©λ‹ˆλ‹€.

  • 이 κ°€μ΄λ“œμ—μ„œλŠ” μ–΄λ…Έν…Œμ΄μ…˜ νŒŒμΌμ„ λ‘œμ»¬μ—μ„œ μ‚¬μš©ν•  수 μžˆλ‹€κ³  κ°€μ •ν•©λ‹ˆλ‹€.

  • 데λͺ¨μ—μ„œλŠ” 과일 감지 데이터 μ„ΈνŠΈλ₯Ό μ‚¬μš©ν•©λ‹ˆλ‹€.

    • 이 데이터 μ„ΈνŠΈμ—λŠ” 총 8479개의 이미지가 ν¬ν•¨λ˜μ–΄ μžˆμŠ΅λ‹ˆλ‹€.
    • μ—¬κΈ°μ—λŠ” 6개의 클래슀 λ ˆμ΄λΈ”μ΄ ν¬ν•¨λ˜λ©°, 각 λ ˆμ΄λΈ”μ˜ 총 μΈμŠ€ν„΄μŠ€ μˆ˜λŠ” μ•„λž˜μ— λ‚˜μ—΄λ˜μ–΄ μžˆμŠ΅λ‹ˆλ‹€.
클래슀 λ ˆμ΄λΈ” μΈμŠ€ν„΄μŠ€ 수
Apple 7049
포도 7202
νŒŒμΈμ• ν”Œ 1613
μ˜€λ Œμ§€ 15549
λ°”λ‚˜λ‚˜ 3536
μˆ˜λ°• 1976
  • ν•„μš”ν•œ Python νŒ¨ν‚€μ§€κ°€ ν¬ν•¨λ©λ‹ˆλ‹€:

    • ultralytics
    • sklearn
    • pandas
    • pyyaml
  • 이 νŠœν† λ¦¬μ–Όμ€ λ‹€μŒμ—μ„œ μž‘λ™ν•©λ‹ˆλ‹€. k=5 μ ‘μŠ΅λ‹ˆλ‹€. κ·ΈλŸ¬λ‚˜ νŠΉμ • 데이터 집합에 κ°€μž₯ μ ν•©ν•œ μ ‘κΈ° 수λ₯Ό κ²°μ •ν•΄μ•Ό ν•©λ‹ˆλ‹€.

  • μƒˆλ‘œμš΄ Python 가상 ν™˜κ²½(venv)λ₯Ό ν”„λ‘œμ νŠΈμ— μΆ”κ°€ν•˜κ³  ν™œμ„±ν™”ν•©λ‹ˆλ‹€. μ‚¬μš© pip (λ˜λŠ” μ„ ν˜Έν•˜λŠ” νŒ¨ν‚€μ§€ κ΄€λ¦¬μž)λ₯Ό ν΄λ¦­ν•˜μ—¬ μ„€μΉ˜ν•©λ‹ˆλ‹€:

    • Ultralytics 라이브러리: pip install -U ultralytics. λ˜λŠ” 곡식 repo.
    • Scikit-learn, νŒλ‹€, PyYAML: pip install -U scikit-learn pandas pyyaml.
  • 주석이 YOLO 감지 ν˜•μ‹μΈμ§€ ν™•μΈν•©λ‹ˆλ‹€.

    • 이 νŠœν† λ¦¬μ–Όμ˜ 경우 λͺ¨λ“  주석 νŒŒμΌμ€ Fruit-Detection/labels λ””λ ‰ν„°λ¦¬λ‘œ μ΄λ™ν•©λ‹ˆλ‹€.

객체 감지 λ°μ΄ν„°μ„ΈνŠΈλ₯Ό μœ„ν•œ νŠΉμ§• 벑터 μƒμ„±ν•˜κΈ°

  1. λ¨Όμ € μƒˆ example.py Python 파일둜 μ΄λ™ν•˜μ—¬ μ•„λž˜ 단계λ₯Ό μˆ˜ν–‰ν•˜μ„Έμš”.

  2. 데이터 μ„ΈνŠΈμ— λŒ€ν•œ λͺ¨λ“  라벨 νŒŒμΌμ„ κ²€μƒ‰ν•©λ‹ˆλ‹€.

    from pathlib import Path
    
    dataset_path = Path("./Fruit-detection")  # replace with 'path/to/dataset' for your custom data
    labels = sorted(dataset_path.rglob("*labels/*.txt"))  # all data in 'labels'
    
  3. 이제 데이터 μ„ΈνŠΈ YAML 파일의 λ‚΄μš©μ„ 읽고 클래슀 λ ˆμ΄λΈ”μ˜ 인덱슀λ₯Ό μΆ”μΆœν•©λ‹ˆλ‹€.

    yaml_file = "path/to/data.yaml"  # your data YAML with data directories and names dictionary
    with open(yaml_file, "r", encoding="utf8") as y:
        classes = yaml.safe_load(y)["names"]
    cls_idx = sorted(classes.keys())
    
  4. λΉ„μ–΄ μžˆλŠ” pandas DataFrame.

    import pandas as pd
    
    indx = [label.stem for label in labels]  # uses base filename as ID (no extension)
    labels_df = pd.DataFrame([], columns=cls_idx, index=indx)
    
  5. 주석 νŒŒμΌμ— μžˆλŠ” 각 클래슀 λ ˆμ΄λΈ”μ˜ μΈμŠ€ν„΄μŠ€λ₯Ό κ³„μ‚°ν•©λ‹ˆλ‹€.

    from collections import Counter
    
    for label in labels:
        lbl_counter = Counter()
    
        with open(label, "r") as lf:
            lines = lf.readlines()
    
        for line in lines:
            # classes for YOLO label uses integer at first position of each line
            lbl_counter[int(line.split(" ")[0])] += 1
    
        labels_df.loc[label.stem] = lbl_counter
    
    labels_df = labels_df.fillna(0.0)  # replace `nan` values with `0.0`
    
  6. λ‹€μŒμ€ μ±„μ›Œμ§„ λ°μ΄ν„°ν”„λ ˆμž„μ˜ μƒ˜ν”Œ λ³΄κΈ°μž…λ‹ˆλ‹€:

                                                           0    1    2    3    4    5
    '0000a16e4b057580_jpg.rf.00ab48988370f64f5ca8ea4...'  0.0  0.0  0.0  0.0  0.0  7.0
    '0000a16e4b057580_jpg.rf.7e6dce029fb67f01eb19aa7...'  0.0  0.0  0.0  0.0  0.0  7.0
    '0000a16e4b057580_jpg.rf.bc4d31cdcbe229dd022957a...'  0.0  0.0  0.0  0.0  0.0  7.0
    '00020ebf74c4881c_jpg.rf.508192a0a97aa6c4a3b6882...'  0.0  0.0  0.0  1.0  0.0  0.0
    '00020ebf74c4881c_jpg.rf.5af192a2254c8ecc4188a25...'  0.0  0.0  0.0  1.0  0.0  0.0
     ...                                                  ...  ...  ...  ...  ...  ...
    'ff4cd45896de38be_jpg.rf.c4b5e967ca10c7ced3b9e97...'  0.0  0.0  0.0  0.0  0.0  2.0
    'ff4cd45896de38be_jpg.rf.ea4c1d37d2884b3e3cbce08...'  0.0  0.0  0.0  0.0  0.0  2.0
    'ff5fd9c3c624b7dc_jpg.rf.bb519feaa36fc4bf630a033...'  1.0  0.0  0.0  0.0  0.0  0.0
    'ff5fd9c3c624b7dc_jpg.rf.f0751c9c3aa4519ea3c9d6a...'  1.0  0.0  0.0  0.0  0.0  0.0
    'fffe28b31f2a70d4_jpg.rf.7ea16bd637ba0711c53b540...'  0.0  6.0  0.0  0.0  0.0  0.0
    

행은 각각 데이터 μ„ΈνŠΈμ˜ 이미지에 ν•΄λ‹Ήν•˜λŠ” 라벨 파일의 색인을 μƒμ„±ν•˜κ³  열은 클래슀 라벨 μΈλ±μŠ€μ— ν•΄λ‹Ήν•©λ‹ˆλ‹€. 각 행은 데이터 μ„ΈνŠΈμ— μ‘΄μž¬ν•˜λŠ” 각 클래슀 라벨의 κ°œμˆ˜κ°€ ν¬ν•¨λœ μ˜μ‚¬ νŠΉμ§• 벑터λ₯Ό λ‚˜νƒ€λƒ…λ‹ˆλ‹€. 이 데이터 ꡬ쑰λ₯Ό μ‚¬μš©ν•˜λ©΄ 객체 감지 데이터 μ„ΈνŠΈμ— K-Fold ꡐ차 검증을 μ μš©ν•  수 μžˆμŠ΅λ‹ˆλ‹€.

K-ν΄λ“œ 데이터 μ„ΈνŠΈ λΆ„ν• 

  1. 이제 μš°λ¦¬λŠ” KFold ν΄λž˜μŠ€μ—μ„œ sklearn.model_selection λ₯Ό μƒμ„±ν•˜λ €λ©΄ k 데이터 집합을 λΆ„ν• ν•©λ‹ˆλ‹€.

    • μ€‘μš”:
      • μ„€μ • shuffle=True λ₯Ό μ‚¬μš©ν•˜λ©΄ μŠ€ν”Œλ¦Ώμ— 클래슀λ₯Ό λ¬΄μž‘μœ„λ‘œ λΆ„λ°°ν•  수 μžˆμŠ΅λ‹ˆλ‹€.
      • μ„€μ •μœΌλ‘œ random_state=M μ–΄λ”” M λ₯Ό μ •μˆ˜λ‘œ μ„ νƒν•˜λ©΄ 반볡 κ°€λŠ₯ν•œ κ²°κ³Όλ₯Ό 얻을 수 μžˆμŠ΅λ‹ˆλ‹€.
    from sklearn.model_selection import KFold
    
    ksplit = 5
    kf = KFold(n_splits=ksplit, shuffle=True, random_state=20)  # setting random_state for repeatable results
    
    kfolds = list(kf.split(labels_df))
    
  2. 이제 데이터 μ„ΈνŠΈκ°€ λ‹€μŒκ³Ό 같이 λΆ„ν• λ˜μ—ˆμŠ΅λ‹ˆλ‹€. k ν΄λ“œμ—λŠ” 각각 train 그리고 val 인덱슀. μ΄λŸ¬ν•œ κ²°κ³Όλ₯Ό 보닀 λͺ…ν™•ν•˜κ²Œ ν‘œμ‹œν•˜κΈ° μœ„ν•΄ 데이터 ν”„λ ˆμž„μ„ κ΅¬μ„±ν•©λ‹ˆλ‹€.

    folds = [f"split_{n}" for n in range(1, ksplit + 1)]
    folds_df = pd.DataFrame(index=indx, columns=folds)
    
    for idx, (train, val) in enumerate(kfolds, start=1):
        folds_df[f"split_{idx}"].loc[labels_df.iloc[train].index] = "train"
        folds_df[f"split_{idx}"].loc[labels_df.iloc[val].index] = "val"
    
  3. 이제 각 ν΄λ“œμ— λŒ€ν•œ 클래슀 λ ˆμ΄λΈ”μ˜ 뢄포λ₯Ό λ‹€μŒμ— μ‘΄μž¬ν•˜λŠ” 클래슀의 λΉ„μœ¨λ‘œ κ³„μ‚°ν•©λ‹ˆλ‹€. val 에 μžˆλŠ” μ‚¬λžŒλ“€μ—κ²Œ train.

    fold_lbl_distrb = pd.DataFrame(index=folds, columns=cls_idx)
    
    for n, (train_indices, val_indices) in enumerate(kfolds, start=1):
        train_totals = labels_df.iloc[train_indices].sum()
        val_totals = labels_df.iloc[val_indices].sum()
    
        # To avoid division by zero, we add a small value (1E-7) to the denominator
        ratio = val_totals / (train_totals + 1e-7)
        fold_lbl_distrb.loc[f"split_{n}"] = ratio
    

    이상적인 μ‹œλ‚˜λ¦¬μ˜€λŠ” λͺ¨λ“  클래슀 λΉ„μœ¨μ΄ 각 λΆ„ν•  및 클래슀 간에 ν•©λ¦¬μ μœΌλ‘œ λΉ„μŠ·ν•΄μ§€λŠ” κ²ƒμž…λ‹ˆλ‹€. κ·ΈλŸ¬λ‚˜ μ΄λŠ” 데이터 μ§‘ν•©μ˜ νŠΉμ„±μ— 따라 λ‹¬λΌμ§ˆ 수 μžˆμŠ΅λ‹ˆλ‹€.

  4. λ‹€μŒμœΌλ‘œ, 각 뢄할에 λŒ€ν•œ 디렉터리와 데이터 μ„ΈνŠΈ YAML νŒŒμΌμ„ μƒμ„±ν•©λ‹ˆλ‹€.

    import datetime
    
    supported_extensions = [".jpg", ".jpeg", ".png"]
    
    # Initialize an empty list to store image file paths
    images = []
    
    # Loop through supported extensions and gather image files
    for ext in supported_extensions:
        images.extend(sorted((dataset_path / "images").rglob(f"*{ext}")))
    
    # Create the necessary directories and dataset YAML files (unchanged)
    save_path = Path(dataset_path / f"{datetime.date.today().isoformat()}_{ksplit}-Fold_Cross-val")
    save_path.mkdir(parents=True, exist_ok=True)
    ds_yamls = []
    
    for split in folds_df.columns:
        # Create directories
        split_dir = save_path / split
        split_dir.mkdir(parents=True, exist_ok=True)
        (split_dir / "train" / "images").mkdir(parents=True, exist_ok=True)
        (split_dir / "train" / "labels").mkdir(parents=True, exist_ok=True)
        (split_dir / "val" / "images").mkdir(parents=True, exist_ok=True)
        (split_dir / "val" / "labels").mkdir(parents=True, exist_ok=True)
    
        # Create dataset YAML files
        dataset_yaml = split_dir / f"{split}_dataset.yaml"
        ds_yamls.append(dataset_yaml)
    
        with open(dataset_yaml, "w") as ds_y:
            yaml.safe_dump(
                {
                    "path": split_dir.as_posix(),
                    "train": "train",
                    "val": "val",
                    "names": classes,
                },
                ds_y,
            )
    
  5. λ§ˆμ§€λ§‰μœΌλ‘œ 이미지와 λ ˆμ΄λΈ”μ„ 각 λΆ„ν• μ˜ ν•΄λ‹Ή 디렉토리('train' λ˜λŠ” 'val')에 λ³΅μ‚¬ν•©λ‹ˆλ‹€.

    • μ°Έκ³ : 이 μ½”λ“œ 뢀뢄에 ν•„μš”ν•œ μ‹œκ°„μ€ 데이터 μ„ΈνŠΈμ˜ 크기와 μ‹œμŠ€ν…œ ν•˜λ“œμ›¨μ–΄μ— 따라 λ‹¬λΌμ§‘λ‹ˆλ‹€.
    import shutil
    
    for image, label in zip(images, labels):
        for split, k_split in folds_df.loc[image.stem].items():
            # Destination directory
            img_to_path = save_path / split / k_split / "images"
            lbl_to_path = save_path / split / k_split / "labels"
    
            # Copy image and label files to new directory (SamefileError if file already exists)
            shutil.copy(image, img_to_path / image.name)
            shutil.copy(label, lbl_to_path / label.name)
    

기둝 μ €μž₯(선택 사항)

선택 μ‚¬ν•­μœΌλ‘œ K-Fold λΆ„ν•  및 λ ˆμ΄λΈ” 배포 λ°μ΄ν„°ν”„λ ˆμž„μ˜ λ ˆμ½”λ“œλ₯Ό CSV 파일둜 μ €μž₯ν•˜μ—¬ λ‚˜μ€‘μ— μ°Έμ‘°ν•  수 μžˆμŠ΅λ‹ˆλ‹€.

folds_df.to_csv(save_path / "kfold_datasplit.csv")
fold_lbl_distrb.to_csv(save_path / "kfold_label_distribution.csv")

K-Fold 데이터 뢄할을 μ‚¬μš©ν•˜μ—¬ YOLO ꡐ윑

  1. λ¨Όμ € YOLO λͺ¨λΈμ„ λ‘œλ“œν•©λ‹ˆλ‹€.

    from ultralytics import YOLO
    
    weights_path = "path/to/weights.pt"
    model = YOLO(weights_path, task="detect")
    
  2. 그런 λ‹€μŒ 데이터 μ„ΈνŠΈ YAML νŒŒμΌμ„ λ°˜λ³΅ν•˜μ—¬ ν•™μŠ΅μ„ μ‹€ν–‰ν•©λ‹ˆλ‹€. κ²°κ³ΌλŠ” μ§€μ •λœ 디렉터리에 μ €μž₯λ©λ‹ˆλ‹€. project 그리고 name 인수λ₯Ό μ‚¬μš©ν•  수 μžˆμŠ΅λ‹ˆλ‹€. 기본적으둜 이 λ””λ ‰ν„°λ¦¬λŠ” 'exp/runs#'이며, μ—¬κΈ°μ„œ #은 μ •μˆ˜ μΈλ±μŠ€μž…λ‹ˆλ‹€.

    results = {}
    
    # Define your additional arguments here
    batch = 16
    project = "kfold_demo"
    epochs = 100
    
    for k in range(ksplit):
        dataset_yaml = ds_yamls[k]
        model = YOLO(weights_path, task="detect")
        model.train(data=dataset_yaml, epochs=epochs, batch=batch, project=project)  # include any train arguments
        results[k] = model.metrics  # save output metrics for further analysis
    

κ²°λ‘ 

이 κ°€μ΄λ“œμ—μ„œλŠ” YOLO 객체 감지 λͺ¨λΈμ„ ν›ˆλ ¨ν•˜κΈ° μœ„ν•΄ K-Fold ꡐ차 검증을 μ‚¬μš©ν•˜λŠ” ν”„λ‘œμ„ΈμŠ€λ₯Ό μ‚΄νŽ΄λ΄€μŠ΅λ‹ˆλ‹€. 데이터 μ„ΈνŠΈλ₯Ό K개의 νŒŒν‹°μ…˜μœΌλ‘œ λΆ„ν• ν•˜μ—¬ μ—¬λŸ¬ ν΄λ“œμ— 걸쳐 κ· ν˜• 작힌 클래슀 뢄포λ₯Ό 보μž₯ν•˜λŠ” 방법을 λ°°μ› μŠ΅λ‹ˆλ‹€.

λ˜ν•œ 데이터 λΆ„ν• κ³Ό μ΄λŸ¬ν•œ 뢄할에 λŒ€ν•œ λ ˆμ΄λΈ” 뢄포λ₯Ό μ‹œκ°ν™”ν•˜κΈ° μœ„ν•΄ λ³΄κ³ μ„œ λ°μ΄ν„°ν”„λ ˆμž„μ„ λ§Œλ“œλŠ” 절차λ₯Ό μ‚΄νŽ΄λ΄„μœΌλ‘œμ¨ ν•™μŠ΅ 및 검증 μ„ΈνŠΈμ˜ ꡬ쑰에 λŒ€ν•œ λͺ…ν™•ν•œ μΈμ‚¬μ΄νŠΈλ₯Ό 얻을 수 μžˆμ—ˆμŠ΅λ‹ˆλ‹€.

선택 μ‚¬ν•­μœΌλ‘œ λ‚˜μ€‘μ— μ°Έμ‘°ν•  수 μžˆλ„λ‘ 기둝을 μ €μž₯ν–ˆλŠ”λ°, μ΄λŠ” λŒ€κ·œλͺ¨ ν”„λ‘œμ νŠΈλ‚˜ λͺ¨λΈ μ„±λŠ₯ 문제λ₯Ό ν•΄κ²°ν•  λ•Œ 특히 μœ μš©ν•  수 μžˆμŠ΅λ‹ˆλ‹€.

λ§ˆμ§€λ§‰μœΌλ‘œ, 각 뢄할을 λ°˜λ³΅ν•˜μ—¬ μ‹€μ œ λͺ¨λΈ ν•™μŠ΅μ„ κ΅¬ν˜„ν•˜κ³  μΆ”κ°€ 뢄석 및 비ꡐλ₯Ό μœ„ν•΄ ν•™μŠ΅ κ²°κ³Όλ₯Ό μ €μž₯ν–ˆμŠ΅λ‹ˆλ‹€.

이 K-Fold ꡐ차 검증 κΈ°μˆ μ€ μ‚¬μš© κ°€λŠ₯ν•œ 데이터λ₯Ό μ΅œλŒ€ν•œ ν™œμš©ν•˜λŠ” κ°•λ ₯ν•œ 방법이며, λ‹€μ–‘ν•œ 데이터 ν•˜μœ„ μ§‘ν•©μ—μ„œ λͺ¨λΈ μ„±λŠ₯을 μ‹ λ’°ν•  수 있고 일관성 있게 μœ μ§€ν•˜λŠ” 데 도움이 λ©λ‹ˆλ‹€. κ·Έ κ²°κ³Ό νŠΉμ • 데이터 νŒ¨ν„΄μ— κ³Όλ„ν•˜κ²Œ 맞좜 κ°€λŠ₯성이 적은 보닀 μΌλ°˜ν™” κ°€λŠ₯ν•˜κ³  μ‹ λ’°ν•  수 μžˆλŠ” λͺ¨λΈμ„ λ§Œλ“€ 수 μžˆμŠ΅λ‹ˆλ‹€.

이 κ°€μ΄λ“œμ—μ„œλŠ” YOLO 을 μ‚¬μš©ν–ˆμ§€λ§Œ, μ΄λŸ¬ν•œ λ‹¨κ³„λŠ” λŒ€λΆ€λΆ„ λ‹€λ₯Έ λ¨Έμ‹  λŸ¬λ‹ λͺ¨λΈμ—λ„ μ μš©ν•  수 μžˆμŠ΅λ‹ˆλ‹€. μ΄λŸ¬ν•œ 단계λ₯Ό μ΄ν•΄ν•˜λ©΄ μžμ‹ μ˜ λ¨Έμ‹  λŸ¬λ‹ ν”„λ‘œμ νŠΈμ— ꡐ차 검증을 효과적으둜 μ μš©ν•  수 μžˆμŠ΅λ‹ˆλ‹€. ν–‰λ³΅ν•œ μ½”λ”©!

자주 λ¬»λŠ” 질문

K-Fold ꡐ차 κ²€μ¦μ΄λž€ 무엇이며 객체 감지에 μœ μš©ν•œ μ΄μœ λŠ” λ¬΄μ—‡μΈκ°€μš”?

K-ν΄λ“œ ꡐ차 검증은 λͺ¨λΈ μ„±λŠ₯을 보닀 μ•ˆμ •μ μœΌλ‘œ ν‰κ°€ν•˜κΈ° μœ„ν•΄ 데이터 집합을 'k'개의 ν•˜μœ„ 집합(ν΄λ“œ)으둜 λ‚˜λˆ„μ–΄ ν‰κ°€ν•˜λŠ” κΈ°λ²•μž…λ‹ˆλ‹€. 각 ν΄λ“œλŠ” ν›ˆλ ¨ 및 검증 λ°μ΄ν„°λ‘œ μ‚¬μš©λ©λ‹ˆλ‹€. 객체 κ°μ§€μ˜ λ§₯λ½μ—μ„œ K-Fold ꡐ차 검증을 μ‚¬μš©ν•˜λ©΄ Ultralytics YOLO λͺ¨λΈμ˜ μ„±λŠ₯이 κ°•λ ₯ν•˜κ³  λ‹€μ–‘ν•œ 데이터 뢄할에 걸쳐 μΌλ°˜ν™”ν•  수 μžˆμ–΄ 신뒰성을 ν–₯μƒμ‹œν‚€λŠ” 데 도움이 λ©λ‹ˆλ‹€. Ultralytics YOLO 을 μ‚¬μš©ν•œ K-Fold ꡐ차 μœ νš¨μ„± 검사 섀정에 λŒ€ν•œ μžμ„Έν•œ 지침은 Ultralytics 을 μ‚¬μš©ν•œ K-Fold ꡐ차 μœ νš¨μ„± 검사λ₯Ό μ°Έμ‘°ν•˜μ„Έμš”.

Ultralytics YOLO 을 μ‚¬μš©ν•˜μ—¬ K-Fold ꡐ차 μœ νš¨μ„± 검사λ₯Ό κ΅¬ν˜„ν•˜λ €λ©΄ μ–΄λ–»κ²Œ ν•΄μ•Ό ν•˜λ‚˜μš”?

K-Fold ꡐ차 μœ νš¨μ„± 검사λ₯Ό κ΅¬ν˜„ν•˜λ €λ©΄ Ultralytics YOLO , λ‹€μŒ 단계λ₯Ό 따라야 ν•©λ‹ˆλ‹€:

  1. 주석이 YOLO 감지 ν˜•μ‹μΈμ§€ ν™•μΈν•©λ‹ˆλ‹€.
  2. λ‹€μŒκ³Ό 같은 Python 라이브러리 μ‚¬μš© sklearn, pandas및 pyyaml.
  3. 데이터 μ„ΈνŠΈμ—μ„œ νŠΉμ§• 벑터λ₯Ό μƒμ„±ν•©λ‹ˆλ‹€.
  4. λ‹€μŒμ„ μ‚¬μš©ν•˜μ—¬ 데이터 집합을 λΆ„ν• ν•©λ‹ˆλ‹€. KFold μ—μ„œ sklearn.model_selection.
  5. 각 뢄할에 λŒ€ν•΄ YOLO λͺ¨λΈμ„ ν•™μŠ΅μ‹œν‚΅λ‹ˆλ‹€.

쒅합적인 κ°€μ΄λ“œλŠ” λ¬Έμ„œμ—μ„œ K-Fold λ°μ΄ν„°μ„ΈνŠΈ λΆ„ν•  μ„Ήμ…˜μ„ μ°Έμ‘°ν•˜μ„Έμš”.

물체 감지에 Ultralytics YOLO 을 μ‚¬μš©ν•΄μ•Ό ν•˜λŠ” μ΄μœ λŠ” λ¬΄μ—‡μΈκ°€μš”?

Ultralytics YOLO λŠ” 높은 정확도와 νš¨μœ¨μ„±μœΌλ‘œ μ΅œμ²¨λ‹¨ μ‹€μ‹œκ°„ 물체 감지 κΈ°λŠ₯을 μ œκ³΅ν•©λ‹ˆλ‹€. 탐지, μ„ΈλΆ„ν™”, λΆ„λ₯˜ λ“± λ‹€μ–‘ν•œ 컴퓨터 λΉ„μ „ μž‘μ—…μ„ μ§€μ›ν•˜λŠ” λ‹€λͺ©μ  κΈ°λŠ₯도 κ°–μΆ”κ³  μžˆμŠ΅λ‹ˆλ‹€. λ˜ν•œ μ½”λ“œ 없이 λͺ¨λΈμ„ ν›ˆλ ¨ν•˜κ³  배포할 수 μžˆλ„λ‘ Ultralytics HUB와 같은 도ꡬ와 μ›ν™œν•˜κ²Œ ν†΅ν•©λ©λ‹ˆλ‹€. μžμ„Έν•œ λ‚΄μš©μ€ Ultralytics YOLO νŽ˜μ΄μ§€μ—μ„œ 이점과 κΈ°λŠ₯을 μ‚΄νŽ΄λ³΄μ„Έμš”.

λ‚΄ 주석이 Ultralytics YOLO 에 μ˜¬λ°”λ₯Έ ν˜•μ‹μΈμ§€ ν™•μΈν•˜λ €λ©΄ μ–΄λ–»κ²Œ ν•΄μ•Ό ν•˜λ‚˜μš”?

주석은 YOLO 감지 ν˜•μ‹μ„ 따라야 ν•©λ‹ˆλ‹€. 각 주석 νŒŒμΌμ—λŠ” μ΄λ―Έμ§€μ˜ 경계 μƒμž μ’Œν‘œμ™€ ν•¨κ»˜ 객체 ν΄λž˜μŠ€κ°€ λ‚˜μ—΄λ˜μ–΄μ•Ό ν•©λ‹ˆλ‹€. YOLO ν˜•μ‹μ€ 객체 감지 λͺ¨λΈ ν•™μŠ΅μ„ μœ„ν•œ κ°„μ†Œν™”λ˜κ³  ν‘œμ€€ν™”λœ 데이터 처리λ₯Ό 보μž₯ν•©λ‹ˆλ‹€. μ˜¬λ°”λ₯Έ 주석 ν˜•μ‹μ— λŒ€ν•œ μžμ„Έν•œ λ‚΄μš©μ€ YOLO 감지 ν˜•μ‹ κ°€μ΄λ“œλ₯Ό μ°Έμ‘°ν•˜μ„Έμš”.

과일 감지 μ΄μ™Έμ˜ μ‚¬μš©μž 지정 데이터 μ„ΈνŠΈμ— K-Fold ꡐ차 검증을 μ‚¬μš©ν•  수 μžˆλ‚˜μš”?

예, 주석이 YOLO 감지 ν˜•μ‹μΈ 경우 λͺ¨λ“  μ‚¬μš©μž 지정 데이터 μ„ΈνŠΈμ— K-Fold ꡐ차 μœ νš¨μ„± 검사λ₯Ό μ‚¬μš©ν•  수 μžˆμŠ΅λ‹ˆλ‹€. 데이터 μ„ΈνŠΈ κ²½λ‘œμ™€ 클래슀 λ ˆμ΄λΈ”μ„ μ‚¬μš©μž μ •μ˜ 데이터 μ„ΈνŠΈμ— λ§žλŠ” κ²ƒμœΌλ‘œ λ°”κΎΈλ©΄ λ©λ‹ˆλ‹€. μ΄λŸ¬ν•œ μœ μ—°μ„±μ„ 톡해 λͺ¨λ“  객체 감지 ν”„λ‘œμ νŠΈμ—μ„œ K-Fold ꡐ차 검증을 μ‚¬μš©ν•œ κ°•λ ₯ν•œ λͺ¨λΈ ν‰κ°€μ˜ 이점을 λˆ„λ¦΄ 수 μžˆμŠ΅λ‹ˆλ‹€. μ‹€μ œ μ˜ˆμ‹œλ₯Ό 보렀면 νŠΉμ§• 벑터 μƒμ„±ν•˜κΈ° μ„Ήμ…˜μ„ μ°Έμ‘°ν•˜μ„Έμš”.

πŸ“…1 λ…„ μ „ 생성됨 ✏️ μ—…λ°μ΄νŠΈλ¨ 26일 μ „

λŒ“κΈ€