일반적인 YOLO 문제 해결#

이 가이드에서는 Ultralytics YOLO26을 사용할 때 발생하는 가장 일반적인 문제를 발생 위치에 따라 설치, 모델 학습, 예측, 배포로 나누어 설명합니다. 오류에 해당하는 카테고리로 이동하거나, 빠른 답변은 FAQ를 확인하시기 바랍니다. 각 항목에는 문제와 직접 적용할 수 있는 구체적인 해결 방법이 제시되어 있습니다.

일반적인 문제#

설치 오류#

설치 오류는 호환되지 않는 버전, 누락된 종속성 또는 잘못된 환경 설정 등 다양한 이유로 발생할 수 있습니다. 먼저 다음 사항을 수행하고 있는지 확인하시기 바랍니다:

• 권장 사항에 따라 Python 3.8 이상을 사용하고 있습니다.
• 올바른 버전의 PyTorch(1.8 이상)가 설치되어 있는지 확인하시기 바랍니다.
• 충돌을 방지하려면 가상 환경을 사용하는 것이 좋습니다.
• 공식 설치 가이드를 단계별로 따르시기 바랍니다.

또한 다음은 일반적인 설치 문제에 대한 해결 방법입니다.

Import 오류 또는 종속성 문제#

YOLO26을 import할 때 오류가 발생하거나 종속성 충돌이 발생하면 다음 단계를 시도하시기 바랍니다:

• 새로 설치: 깨끗한 환경에서 새로 설치하면 특히 패키지 구조나 기능이 변경되는 업데이트 이후에 발생한 예기치 않은 문제를 해결할 수 있습니다.
• 정기적으로 업데이트: 최신 버전의 라이브러리를 사용하시기 바랍니다. 이전 릴리스는 최신 업데이트와 호환되지 않을 수 있습니다.
• 종속성 확인: 필요한 모든 종속성이 올바르게 설치되어 있고 호환되는 버전인지 확인하시기 바랍니다.
• 변경 사항 검토: 이전 버전을 설치한 경우 공식 문서나 변경 로그를 참조하여 주요 구조 변경 사항을 확인하시기 바랍니다.

GPU에서 YOLO26 실행하기#

GPU에서 YOLO26을 실행하는 데 문제가 있다면 다음 문제 해결 단계를 고려하시기 바랍니다:

• CUDA 호환성 및 설치 확인: GPU가 CUDA와 호환되고 CUDA가 올바르게 설치되어 있는지 확인하시기 바랍니다. nvidia-smi 명령을 사용하여 NVIDIA GPU 및 CUDA 버전의 상태를 확인하시기 바랍니다.
• PyTorch 및 CUDA 통합 확인: Python 터미널에서 import torch; print(torch.cuda.is_available())을 실행하여 PyTorch가 CUDA를 사용할 수 있는지 확인하시기 바랍니다. 'True'가 반환되면 PyTorch가 CUDA를 사용하도록 설정된 것입니다.
• 환경 활성화: 필요한 모든 패키지가 설치된 올바른 환경에 있는지 확인하시기 바랍니다.
• 패키지 업데이트: 오래된 패키지는 GPU와 호환되지 않을 수 있습니다. 패키지를 최신 상태로 유지하시기 바랍니다.
• 프로그램 구성: 코드가 GPU 사용을 요청하는지 확인하시기 바랍니다. 학습 또는 예측을 실행할 때 device 인수를 설정할 수 있습니다(예: device=0).

import torch

cap = torch.cuda.get_device_capability(0) if torch.cuda.is_available() else (0, 0)
cudnn = torch.backends.cudnn.version() or 0
ok = "not compatible" if cudnn >= 91100 and (cap[0] < 7 or (cap[0] == 7 and cap[1] < 5)) else "should be ok"
print(f"Compute capability: SM {cap[0]}.{cap[1]}, cuDNN: {cudnn} => {ok}")

모델 학습 문제#

일반적인 학습 문제와 해결 방법을 아래에서 설명합니다.

구성 설정 확인#

문제: 모델 학습 중 .yaml 파일의 구성 설정이 올바르게 적용되는지 확실하지 않습니다.

해결 방법: .yaml 파일의 구성 설정은 model.train() 함수를 사용할 때 적용되어야 합니다. 이러한 설정이 올바르게 적용되는지 확인하려면 다음 단계를 따르시기 바랍니다:

• .yaml 구성 파일의 경로가 올바른지 확인하시기 바랍니다.

• 아래와 같이 model.train()를 호출할 때 .yaml 파일의 경로를 data 인수로 전달하시기 바랍니다:

  model.train(data="/path/to/your/data.yaml", batch=4)

여러 GPU를 사용하여 학습 가속하기#

문제: 단일 GPU에서 학습이 느려 여러 GPU를 사용하여 프로세스 속도를 높이고 싶습니다.

해결 방법: 배치 크기를 늘리면 학습을 가속할 수 있지만 GPU 메모리 용량을 고려해야 합니다. 여러 GPU를 사용하여 학습 속도를 높이려면 다음 단계를 따르시기 바랍니다:

• 여러 GPU를 사용할 수 있는지 확인하시기 바랍니다.

• device 인수를 GPU 인덱스 목록으로 설정하시기 바랍니다(예: device=[0,1,2,3]).

• 메모리 제한을 초과하지 않으면서 여러 GPU를 충분히 활용할 수 있도록 배치 크기를 적절히 늘리시기 바랍니다.

• 여러 GPU를 활용하도록 학습 명령을 수정하시기 바랍니다:

  # Adjust the batch size and other settings as needed to optimize training speed
  model.train(data="/path/to/your/data.yaml", batch=32, device=[0, 1, 2, 3])

지속적으로 모니터링할 매개변수#

문제: loss 이외에 학습 중 지속적으로 모니터링해야 하는 매개변수가 무엇인지 알고 싶습니다.

해결 방법: loss는 모니터링해야 할 중요한 지표이지만, 모델 성능을 최적화하려면 다른 지표도 추적해야 합니다. 학습 중 모니터링해야 할 주요 지표는 다음과 같습니다:

• Precision
• Recall
• 평균 정밀도 (mAP)

이러한 메트릭은 학습 로그에서 액세스하거나 TensorBoard 또는 Weights & Biases 같은 시각화 도구를 사용하여 확인할 수 있습니다. 이러한 메트릭을 기반으로 조기 종료(early stopping)를 구현하면 더 나은 결과를 얻는 데 도움이 됩니다.

학습 진행 상황 추적 도구#

문제: 학습 진행 상황을 추적할 수 있는 도구를 추천받고 싶습니다.

해결 방법: 학습 진행 상황을 추적하고 시각화하려면 다음 도구를 사용할 수 있습니다:

• TensorBoard: TensorBoard는 loss, 정확도 등을 포함한 학습 지표를 시각화하는 데 널리 사용되는 도구입니다. YOLO26 학습 프로세스와 통합할 수 있습니다.
• Comet: Comet은 실험 추적 및 비교를 위한 광범위한 toolkit을 제공합니다. 지표, 하이퍼파라미터, 모델 가중치까지 추적할 수 있습니다. YOLO 모델과의 통합도 간단하여 실험 주기 전체를 한눈에 확인할 수 있습니다.
• Ultralytics Platform: Ultralytics Platform은 YOLO 모델 추적에 특화된 환경을 제공하며, 지표와 데이터셋을 관리하고 팀과 협업할 수 있는 통합 플랫폼입니다. YOLO에 특화되어 있어 더욱 맞춤화된 추적 옵션을 제공합니다.

학습이 GPU에서 실행되는지 확인하는 방법#

문제: 학습 로그의 'device' 값이 'null'로 표시되어 학습이 GPU에서 실행되는지 확실하지 않습니다.

해결 방법: 일반적으로 'device' 값이 'null'이라는 것은 학습 프로세스가 사용 가능한 GPU를 자동으로 선택하도록 설정되었음을 의미하며, 이것이 기본 동작입니다. 특정 GPU에서 학습하려면 학습을 시작할 때 device 인수를 설정하시기 바랍니다. device은 학습 인수이므로 데이터셋의 .yaml에 설정해도 아무런 효과가 없습니다:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Use GPU 0; device=[0, 1] for multiple GPUs, device="cpu" for CPU
model.train(data="path/to/data.yaml", device=0)

학습 진행 상황을 효과적으로 모니터링하려면 'runs' 폴더의 로그와 지표를 확인하시기 바랍니다.

효과적인 모델 학습을 위한 주요 고려 사항#

모델 학습과 관련된 문제가 발생한 경우 다음 사항을 염두에 두시기 바랍니다.

데이터셋 형식 및 레이블

• 중요성: 모든 머신 러닝 모델의 기반은 학습에 사용되는 데이터의 품질과 형식에 있습니다.
• 권장 사항: 사용자 지정 데이터셋과 관련 레이블이 예상 형식을 준수하는지 확인하시기 바랍니다. 어노테이션이 정확하고 품질이 높은지 검증하는 것이 중요합니다. 부정확하거나 품질이 낮은 어노테이션은 모델의 학습 프로세스를 방해하여 예측할 수 없는 결과를 초래할 수 있습니다.

모델 수렴

• 중요성: 모델 수렴을 달성하면 모델이 학습 데이터에서 충분히 학습했음을 확인할 수 있습니다.
• 권장 사항: 모델을 '처음부터' 학습할 때는 모델이 만족스러운 수준으로 수렴하는지 확인하는 것이 중요합니다. 기존 모델을 fine-tuning할 때보다 더 많은 epoch과 더 긴 학습 시간이 필요할 수 있습니다.

학습률 및 배치 크기

• 중요성: 이러한 하이퍼파라미터는 학습 중 모델이 가중치를 업데이트하는 방식을 결정하는 데 중요한 역할을 합니다.
• 권장 사항: 선택한 학습률과 배치 크기가 특정 데이터셋에 최적인지 정기적으로 평가하시기 바랍니다. 데이터셋의 특성과 조화를 이루지 못하는 매개변수는 모델 성능을 저해할 수 있습니다.

클래스 분포

• 중요성: 데이터셋의 클래스 분포는 모델의 예측 경향에 영향을 줄 수 있습니다.
• 권장 사항: 데이터셋 내 클래스 분포를 정기적으로 평가하시기 바랍니다. 클래스 불균형이 있으면 모델이 더 많이 나타나는 클래스에 편향될 위험이 있습니다. 이러한 편향은 confusion matrix에서 확인할 수 있으며, 모델이 다수 클래스를 주로 예측할 수 있습니다.

사전 학습된 가중치와 교차 확인

• 중요성: 사전 학습된 가중치를 활용하면 특히 데이터가 제한적인 경우 모델 학습을 위한 견고한 출발점을 마련할 수 있습니다.
• 권장 사항: 진단 단계로 동일한 데이터를 사용하되 사전 학습된 가중치로 초기화하여 모델을 학습하는 것을 고려하시기 바랍니다. 이 방법으로 잘 구성된 confusion matrix가 생성된다면 '처음부터' 학습한 모델에 추가 학습이나 조정이 필요할 수 있음을 의미합니다.

모델 예측 관련 문제#

모델 예측 중 발생하는 일반적인 문제와 해결 방법을 아래에서 설명합니다.

사용자 지정 YOLO26 모델에서 Bounding Box 예측 가져오기#

문제: 사용자 지정 YOLO26 모델로 예측을 실행할 때 bounding box 좌표의 형식과 시각화에 문제가 있습니다.

해결 방법:

• 좌표 형식: YOLO26은 bounding box 좌표를 절대 픽셀 값으로 제공합니다. 이를 상대 좌표(0에서 1 사이)로 변환하려면 이미지 크기로 나누어야 합니다. 예를 들어 이미지 크기가 640x640이라고 하면 다음과 같이 처리합니다:

  # Convert absolute coordinates to relative coordinates
  x1 = x1 / 640  # Divide x-coordinates by image width
  x2 = x2 / 640
  y1 = y1 / 640  # Divide y-coordinates by image height
  y2 = y2 / 640

• 파일 이름: 예측 대상 이미지의 파일 이름을 가져오려면 예측 루프 내 result 객체에서 이미지 파일 경로에 직접 액세스하시기 바랍니다.

YOLO26 예측에서 객체 필터링하기#

문제: Ultralytics 라이브러리를 사용하여 YOLO26을 실행할 때 예측 결과에서 특정 객체만 필터링하고 표시하는 방법에 문제가 있습니다.

해결 방법: 특정 클래스를 감지하려면 classes 인수를 사용하여 출력에 포함할 클래스를 지정하시기 바랍니다. 예를 들어 자동차만 감지하려면(자동차의 클래스 인덱스가 2라고 가정):

yolo segment predict model=yolo26n-seg.pt source='path/to/car.mp4' show=True classes=2

YOLO26의 정밀도 지표 이해하기#

문제: YOLO26에서 box 정밀도, mask 정밀도, confusion matrix 정밀도의 차이가 혼동됩니다.

해결 방법: box 정밀도는 IoU(Intersection over Union)를 지표로 사용하여 예측된 bounding box와 실제 ground truth box의 정확도를 측정합니다. mask 정밀도는 픽셀 단위 객체 분류에서 예측된 segmentation mask와 ground truth mask 간의 일치도를 평가합니다. 반면 confusion matrix 정밀도는 모든 클래스에 대한 전반적인 분류 정확도에 중점을 두며 예측의 기하학적 정확도는 고려하지 않습니다. bounding box는 클래스 예측이 잘못되었더라도 기하학적으로 정확한(true positive) 결과일 수 있으므로 box 정밀도와 confusion matrix 정밀도 간에 차이가 발생할 수 있습니다. 이러한 지표는 모델 성능의 서로 다른 측면을 평가하며, 다양한 작업에 서로 다른 평가 지표가 필요한 이유를 보여줍니다.

YOLO26에서 객체 크기 추출하기#

문제: YOLO26에서 감지된 객체의 길이와 높이를 가져오기가 어렵습니다. 특히 이미지에서 여러 객체가 감지되는 경우에 그렇습니다.

해결 방법: bounding box 크기를 가져오려면 먼저 Ultralytics YOLO26 모델을 사용하여 이미지에서 객체를 예측하시기 바랍니다. 그런 다음 예측 결과에서 bounding box의 너비와 높이 정보를 추출하시기 바랍니다.

from ultralytics import YOLO

# Load a pretrained YOLO26 model
model = YOLO("yolo26n.pt")

# Specify the source image
source = "https://ultralytics.com/images/bus.jpg"

# Make predictions
results = model.predict(source, save=True, imgsz=320, conf=0.25)

# Extract bounding box dimensions
boxes = results[0].boxes.xywh.cpu()
for box in boxes:
    x, y, w, h = box
    print(f"Width of Box: {w}, Height of Box: {h}")

배포 문제#

GPU 배포 문제#

문제: 다중 GPU 환경에 모델을 배포하면 예기치 않은 메모리 사용량이나 GPU 간 결과 불일치 등 예상치 못한 동작이 발생할 수 있습니다.

해결 방법: 기본 GPU 초기화 여부를 확인하시기 바랍니다. PyTorch와 같은 일부 framework는 지정된 GPU로 전환하기 전에 기본 GPU에서 CUDA 작업을 초기화할 수 있습니다. 예기치 않은 기본 초기화를 우회하려면 배포 및 예측 중에 GPU를 직접 지정하시기 바랍니다. 그런 다음 도구를 사용하여 GPU 사용률과 메모리 사용량을 모니터링하고 실시간으로 이상을 식별하시기 바랍니다. 또한 framework 또는 library의 최신 버전을 사용하고 있는지 확인하시기 바랍니다.

모델 변환/Export 문제#

문제: 머신 러닝 모델을 다른 형식이나 플랫폼으로 변환하거나 export하는 과정에서 오류 또는 예기치 않은 동작이 발생할 수 있습니다.

해결 방법: Export 모드 문서에서 지원되는 형식과 형식별 옵션을 검토한 다음 다음 확인 작업을 수행하시기 바랍니다:

• 호환성 확인: 서로 호환되는 버전의 라이브러리와 framework를 사용하고 있는지 확인하시기 바랍니다. 버전이 일치하지 않으면 변환 중 예기치 않은 오류가 발생할 수 있습니다.
• 환경 재설정: Jupyter 또는 Colab과 같은 대화형 환경을 사용하는 경우 중요한 변경이나 설치 후 환경을 다시 시작하시기 바랍니다. 새로 시작하면 근본적인 문제가 해결되는 경우가 있습니다.
• 공식 문서: 변환에 사용하는 도구 또는 library의 공식 문서를 항상 참조하시기 바랍니다. 공식 문서에는 모델 export를 위한 구체적인 지침과 모범 사례가 포함되어 있는 경우가 많습니다.
• 커뮤니티 지원: 다른 사용자가 보고한 유사한 문제를 확인하려면 library 또는 framework의 공식 repository를 살펴보시기 바랍니다. 유지 관리자나 커뮤니티가 토론 스레드에 해결 방법이나 우회 방법을 제공했을 수 있습니다.
• 정기적으로 업데이트하기: 도구 또는 라이브러리의 최신 버전을 사용하고 있는지 확인합니다. 개발자는 알려진 버그를 수정하거나 기능을 개선하는 업데이트를 자주 릴리스합니다.
• 점진적으로 테스트하기: 전체 변환을 수행하기 전에 더 작은 모델 또는 데이터셋으로 프로세스를 테스트하여 잠재적인 문제를 조기에 식별합니다.

커뮤니티 및 지원#

다음 채널과 리소스를 통해 도움을 받고 해결 방법을 공유할 수 있습니다.

도움을 받을 수 있는 포럼 및 채널#

GitHub Issues: Ultralytics GitHub 저장소에는 질문하고, 버그를 신고하고, 새로운 기능을 제안할 수 있는 Issues 탭이 있습니다. 커뮤니티와 메인테이너들이 이곳에서 활발히 활동하고 있으며, 특정 문제에 대한 도움을 받기에 좋은 장소입니다.

Ultralytics Discord 서버: Ultralytics에는 다른 사용자 및 개발자와 소통할 수 있는 Discord 서버가 있습니다.

공식 문서 및 리소스#

Ultralytics YOLO26 문서: 공식 문서에서는 YOLO26에 대한 종합적인 개요와 설치, 사용법 및 문제 해결 가이드를 제공합니다.

결론#

대부분의 YOLO26 문제는 버전 불일치, 데이터셋 형식, GPU 구성이라는 몇 가지 원인으로 추적됩니다. 여기에서 다루지 않는 오류가 발생하면 GitHub Issues 탭에서 검색하거나 Discord 서버에서 질문해 보세요. 이미 누군가 해결한 문제일 가능성이 높습니다. 더 심층적인 학습 문제가 있는 경우, 모델 학습 팁 가이드에서 컴퓨터 비전 프로젝트의 결과를 개선하는 실용적인 조언을 확인하세요.

FAQ#