어노테이션된 컴퓨터 비전 데이터의 전처리 기법#

데이터 전처리는 원시 어노테이션 이미지를 컴퓨터 비전 모델이 효과적으로 학습하는 데 필요한 깔끔하고 일관된 입력으로 변환합니다. Ultralytics YOLO26에서는 RGB 변환, [0, 1]로 스케일링, 크기 조정 등 핵심 픽셀 연산이 학습 파이프라인에서 자동으로 실행되므로, 남은 작업은 데이터셋을 올바르게 분할하고 클래스 균형을 맞추며 증강을 선택하는 것입니다. 이 가이드에서는 크기 조정, 정규화, 데이터셋 분할, 데이터 증강, 탐색적 데이터 분석(EDA) 등 필수 기법을 다룹니다.

이 단계는 프로젝트 목표를 정의하고 데이터를 수집하고 어노테이션한 후에 진행되며, 컴퓨터 비전 프로젝트 워크플로의 초기 단계에 해당합니다.

전처리가 중요한 이유#

전처리는 계산 부하를 줄이고 모델 성능을 개선하는 형식으로 데이터를 변환합니다. 원시 데이터의 일반적인 문제 세 가지를 해결합니다.

• 노이즈: 데이터에 포함된 관련 없는 변화 또는 무작위 변동입니다.
• 불일치: 이미지 크기, 형식, 품질의 차이입니다.
• 불균형: 데이터셋에서 클래스 또는 카테고리가 균등하게 분포하지 않은 상태입니다.

전처리 기법#

주요 기법은 크기 조정, 정규화, 데이터셋 분할, 증강입니다. YOLO26에서는 앞의 두 가지가 자동으로 처리되며, 분할과 증강에서 사용자의 선택이 가장 중요합니다.

이미지 크기 조정#

많은 모델은 일관된 입력 크기를 요구하므로, 이미지 크기를 조정하면 이미지가 균일해지고 계산 복잡도가 줄어듭니다. 흔히 사용되는 보간 방법은 다음 두 가지입니다.

• 쌍선형 보간: 가장 가까운 픽셀 네 개의 가중 평균을 계산해 픽셀 값을 부드럽게 만듭니다.
• 최근접 이웃: 평균을 계산하지 않고 가장 가까운 픽셀 값을 복사합니다. 더 빠르지만 이미지가 더 블록처럼 보입니다.

OpenCV와 PIL(Pillow) 같은 라이브러리에서 이러한 함수를 제공하지만, YOLO26에서는 일반적으로 이미지를 직접 크기 조정하지 않습니다. imgsz 인수가 이를 처리합니다. 고정 크기 정사각형 경로에서는 검증과 추론 시 종횡비를 유지하면서 이미지를 imgsz × imgsz 입력 크기(예: 640 × 640)에 맞춰 레터박스 처리하고 회색(값 114)으로 패딩합니다. 큰 이미지는 크기에 맞게 축소하며, 스케일 업이 비활성화된 경우 작은 이미지는 확대하지 않습니다. 기본 학습 경로에서는 mosaic=1.0이 대신 네 장의 이미지를 더 큰 캔버스에 타일 형태로 배치한 다음 imgsz 크기로 자릅니다. 마지막 에포크에서 close_mosaic가 모자이크를 비활성화하면 이미지는 레터박스 처리된 후에도 변환 없이 그대로 전달되는 것이 아니라 무작위 변환을 거칩니다. 직사각형 배치(rect=True)와 multi_scale은 서로 다른 입력 형태를 사용합니다.

픽셀 값 정규화#

정규화는 픽셀 값을 표준 범위로 스케일링하여 학습 중 모델이 더 빠르게 수렴하도록 돕습니다. 흔히 사용되는 기법은 다음 두 가지입니다.

• 최솟값-최댓값 스케일링: 픽셀 값을 0~1 범위로 스케일링합니다.
• Z-점수 정규화: 평균과 표준편차를 기준으로 픽셀 값을 스케일링합니다.

YOLO26은 전처리 파이프라인의 일부로 정규화를 자동 처리합니다. 이미지를 RGB로 변환하고 픽셀 값을 255로 나누어 [0, 1] 범위로 스케일링합니다(최솟값-최댓값 스케일링). YOLO는 기본적으로 ImageNet 방식의 평균/표준편차(Z-점수) 정규화를 적용하지 않으므로, 수동으로 정규화할 필요가 없습니다.

데이터셋 분할#

데이터를 학습, 검증, 테스트 세트로 분할하면 보지 않은 데이터에서 모델을 평가하고 일반화 성능을 측정할 수 있습니다. 일반적인 분할 비율은 학습 70%, 검증 20%, 테스트 10%입니다. scikit-learn이나 TensorFlow 같은 도구를 사용하면 간편하게 분할할 수 있습니다.

데이터를 분할할 때는 다음 사항을 고려하세요.

• 클래스 분포 유지: 학습, 검증, 테스트 세트 전반에서 각 클래스가 비례에 맞게 포함되도록 하세요.
• 클래스 균형 조정: 불균형 데이터셋에서는 소수 클래스를 오버샘플링하거나 다수 클래스를 언더샘플링하는 방법을 고려하세요. 단, 학습 세트에서만 적용해야 합니다.

데이터셋 증강#

데이터 증강은 기존 이미지를 변형해 새 버전을 생성함으로써 데이터셋의 크기를 인위적으로 늘립니다. 과적합을 줄이고 일반화 성능을 높이는 데 도움이 되며, 다음과 같은 이점이 있습니다.

• 더 강건한 모델: 조명, 방향, 크기의 변화를 적용하면 실제 환경의 왜곡에 대한 모델의 내성이 높아집니다.
• 비용 효율성: 새 데이터를 수집하고 라벨링하지 않고도 학습 세트를 확장할 수 있습니다.
• 데이터 활용도 향상: 어노테이션된 이미지 하나에서 여러 학습용 변형을 생성할 수 있습니다.

YOLO26에서는 데이터셋 메타데이터(경로, 클래스 이름, 분할 정보 등)를 정의하는 데이터셋 YAML을 편집하는 것이 아니라, model.train() 또는 해당 CLI 플래그에 전달하는 학습 인수를 통해 증강 강도를 제어합니다. 유일한 예외는 flip_idx입니다. 포즈 데이터셋은 왼쪽/오른쪽 키포인트 쌍을 매핑하기 위해 데이터셋 YAML에 이를 선언하며, 이 값이 없으면 YOLO가 fliplr와 flipud를 모두 비활성화합니다. 내장 증강에는 다음이 포함됩니다.

• 모자이크, MixUp, CutMix (mosaic, mixup, cutmix): 여러 이미지를 하나의 학습 샘플로 결합합니다.
• 플립 (fliplr, flipud): 이미지를 가로 또는 세로로 반전합니다.
• 기하학적 변환 (degrees, translate, scale, shear, perspective): 이미지를 회전, 이동, 확대/축소, 왜곡합니다.
• HSV 색상 지터 (hsv_h, hsv_s, hsv_v): 색조, 채도, 밝기를 변경합니다.
• 복사-붙여넣기 (copy_paste): 분할된 객체의 복사본을 추가로 붙여넣습니다. 기본적으로 같은 이미지 안에서 반전해 붙여넣거나, copy_paste_mode=mixup을 사용해 다른 이미지에서 가져옵니다.
• 채널 교환 (bgr): RGB 채널 순서를 BGR로 바꿉니다.
• 분류 변환 (auto_augment, erasing): 분류기를 학습할 때 자동 증강 정책과 무작위 지우기를 적용합니다.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# 증강은 데이터셋 YAML이 아니라 학습 인수로 설정합니다.
model.train(data="coco8.yaml", epochs=10, hsv_h=0.015, fliplr=0.5, mosaic=1.0, degrees=10.0)

증강 인수 전체 목록과 기본값은 증강 설정 참조 문서와 전용 YOLO 데이터 증강 가이드를 참조하세요. albumentations 패키지가 설치되어 있으면 YOLO가 Albumentations 기반 내장 증강도 자동으로 활성화합니다.

사례 연구: 차량 탐지를 위한 전처리#

바운딩 박스와 라벨이 지정된 이미지로 시작해 YOLO26을 사용하여 교통 이미지에서 차량을 탐지하고 분류하는 프로젝트를 생각해 보겠습니다. 각 전처리 결정을 어떻게 적용하는지 살펴보세요.

• 크기 조정: 수동 작업이 필요하지 않습니다. YOLO26이 학습 중 imgsz 크기로 조정합니다.
• 정규화: 수동 작업이 필요하지 않습니다. YOLO26이 픽셀 값을 자동으로 [0, 1] 범위로 스케일링합니다.
• 분할: 클래스 분포를 분할 세트마다 일관되게 유지하면서 데이터셋을 학습 70%, 검증 20%, 테스트 10%로 나눕니다.
• 증강: 교통 장면에 적합한 학습 인수를 설정합니다. 예를 들어 방향 변화에 불변성을 부여하려면 fliplr, 주간/야간 조명에 대응하려면 hsv_v, 다양한 객체 밀도에 대응하려면 mosaic를 설정합니다.

이러한 결정을 내리면 데이터셋은 탐색적 데이터 분석(EDA)을 수행할 준비가 됩니다.

탐색적 데이터 분석(EDA)#

EDA는 통계와 시각화를 통해 데이터의 패턴과 분포를 파악하고, 학습 전에 클래스 불균형이나 이상치 같은 문제를 발견하도록 돕습니다.

통계적 EDA 기법#

통계적 EDA는 평균, 중앙값, 표준편차, 범위 등 기본 지표를 계산하는 것부터 시작합니다. 이러한 지표는 픽셀 강도 분포와 같은 속성을 대상으로 계산합니다. 데이터셋 품질을 빠르게 파악하고 불규칙성을 조기에 발견하는 데 도움이 됩니다.

시각적 EDA 기법#

시각화는 요약 통계로는 파악하기 어려운 클래스 불균형이나 이상치 등의 패턴을 보여 줍니다. 일반적으로 사용하는 도구는 다음과 같습니다.

• 히스토그램과 상자 그림: 픽셀 값의 분포를 보여 주고 강도 또는 특징 분포의 이상치를 표시합니다.
• 막대 차트: 클래스별 예시 수를 비교해 클래스 불균형을 보여 줍니다.
• 산점도: 이미지 특징이나 어노테이션 간의 관계를 살펴봅니다.
• 히트맵: 픽셀 강도 분포 또는 이미지 전체의 어노테이션 위치 분포를 시각화합니다.

EDA를 위한 Ultralytics Platform#

코드 없이 EDA를 수행하려면 데이터셋을 Ultralytics Platform에 업로드하세요. 데이터셋의 Charts 탭에서 분할 분포, 상위 클래스 개수, 이미지 너비/높이 히스토그램, 어노테이션 위치와 이미지 크기의 2D 히트맵 등 주요 EDA 시각화를 자동으로 생성합니다. Images 탭에서는 어노테이션 오버레이를 표시해 그리드, 컴팩트, 표 보기로 데이터를 살펴볼 수 있으므로 코드를 작성하지 않고도 라벨이 잘못 지정된 예시나 불균형한 클래스를 쉽게 찾아낼 수 있습니다.

결론#

데이터를 올바르게 분할하고 정규화 및 증강하면 노이즈가 줄고 일반화 성능이 향상되어 원시 이미지 모음이 신뢰할 수 있는 학습 세트로 바뀝니다. 데이터셋 전처리를 마쳤다면 다음 단계는 모델 학습입니다. 진행 중 궁금한 점이 있으면 Ultralytics GitHub 리포지토리 또는 Ultralytics Discord 서버에서 커뮤니티에 문의하세요.

자주 묻는 질문#