일반적인 YOLO 문제 해결

소개

이 가이드는 Ultralytics 프로젝트에서 YOLO11 로 작업하는 동안 발생하는 일반적인 문제를 해결하는 데 도움이 되는 종합적인 안내서입니다. 올바른 안내를 통해 이러한 문제를 쉽게 해결할 수 있으므로 불필요한 지연 없이 프로젝트를 정상적으로 진행할 수 있습니다.

Watch: Ultralytics YOLO11 일반적인 문제 | 설치 오류, 모델 교육 문제

일반적인 문제

설치 오류

설치 오류는 호환되지 않는 버전, 종속성 누락, 잘못된 환경 설정 등 다양한 원인으로 인해 발생할 수 있습니다. 먼저 다음을 수행하고 있는지 확인하세요:

• 권장되는 Python 3.8 이상을 사용 중입니다.

• 올바른 버전의 PyTorch (1.8 이상)이 설치되어 있는지 확인합니다.

• 충돌을 피하기 위해 가상 환경을 사용하는 것을 고려하세요.

• 공식 설치 가이드를 단계별로 따라하세요.

또한 사용자들이 흔히 겪는 설치 문제와 각각의 해결 방법은 다음과 같습니다:

• 가져오기 오류 또는 종속성 문제 - YOLO11 를 가져오는 동안 오류가 발생하거나 종속성과 관련된 문제가 있는 경우 다음 문제 해결 단계를 고려하세요:

  • 새로 설치: 새로 설치하면 예기치 않은 문제를 해결할 수 있는 경우가 있습니다. 특히 Ultralytics 와 같은 라이브러리의 경우 업데이트로 인해 파일 트리 구조나 기능이 변경될 수 있습니다.

  • 정기적으로 업데이트합니다: 최신 버전의 라이브러리를 사용하고 있는지 확인하세요. 이전 버전은 최신 업데이트와 호환되지 않아 잠재적인 충돌이나 문제가 발생할 수 있습니다.

  • 종속성을 확인합니다: 모든 필수 종속성이 올바르게 설치되어 있고 호환되는 버전인지 확인합니다.

  • 변경 사항 검토: 이전 버전을 처음 복제하거나 설치한 경우, 중요한 업데이트가 라이브러리의 구조나 기능에 영향을 미칠 수 있다는 점에 유의하세요. 항상 공식 문서나 변경 로그를 참조하여 주요 변경 사항을 파악하세요.

  • 원활하고 오류 없는 경험을 위해서는 라이브러리와 종속성을 최신 상태로 유지하는 것이 중요합니다.

• GPU 에서 YOLO11 실행 - YOLO11 를 GPU 에서 실행하는 데 문제가 있는 경우 다음 문제 해결 단계를 고려하세요:

  • CUDA 호환성 및 설치 확인: GPU 이 CUDA 호환되는지, CUDA 이 올바르게 설치되었는지 확인합니다. 사용 nvidia-smi 명령을 사용하여 NVIDIA GPU 및 CUDA 버전의 상태를 확인할 수 있습니다.

  • PyTorch 및 CUDA 통합 확인: PyTorch 을 실행하여 CUDA 을 활용할 수 있는지 확인 import torch; print(torch.cuda.is_available()) 를 Python 터미널에서 실행합니다. 'True'를 반환하면 PyTorch 은 CUDA 을 사용하도록 설정됩니다.

  • 환경 활성화: 필요한 모든 패키지가 설치되어 있는 올바른 환경인지 확인합니다.

  • 패키지 업데이트: 오래된 패키지는 GPU 과 호환되지 않을 수 있습니다. 계속 업데이트하세요.

  • 프로그램 구성: 프로그램 또는 코드에 GPU 사용법이 명시되어 있는지 확인합니다. YOLO11 에서 설정 또는 구성에 있을 수 있습니다.

모델 교육 문제

이 섹션에서는 교육 중에 직면하는 일반적인 문제와 그에 대한 설명 및 해결 방법을 다룹니다.

구성 설정 확인

이슈: 구성 설정이 올바른지 확실하지 않습니다. .yaml 파일이 모델 학습 중에 올바르게 적용되고 있는지 확인합니다.

솔루션: 구성 설정의 .yaml 파일을 사용할 때 적용해야 합니다. model.train() 기능을 사용하세요. 이러한 설정이 올바르게 적용되었는지 확인하려면 다음 단계를 따르세요:

• 경로가 .yaml 구성 파일이 올바른지 확인합니다.
• 경로를 전달해야 합니다. .yaml 파일을 data 인수를 호출할 때 model.train()를 클릭합니다:

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

다중 GPU로 훈련 가속화

문제: 단일 GPU 에서 트레이닝 속도가 느리고 여러 GPU를 사용하여 프로세스 속도를 높이고 싶습니다.

솔루션: 배치 크기를 늘리면 학습 속도를 높일 수 있지만 GPU 메모리 용량을 고려해야 합니다. 여러 개의 GPU로 훈련 속도를 높이려면 다음 단계를 따르세요:

• 여러 개의 GPU를 사용할 수 있는지 확인합니다.

• .yaml 구성 파일을 수정하여 사용할 GPU 수(예: gpus)를 지정합니다: 4.

• 메모리 제한을 초과하지 않고 여러 GPU를 최대한 활용하려면 배치 크기를 적절히 늘리세요.

• 여러 GPU를 활용하도록 훈련 명령을 수정합니다:

# Adjust the batch size and other settings as needed to optimize training speed
model.train(data="/path/to/your/data.yaml", batch=32, multi_scale=True)

연속 모니터링 매개변수

문제: 손실과는 별도로 훈련 중에 지속적으로 모니터링해야 하는 매개변수를 알고 싶습니다.

솔루션: 손실은 모니터링해야 할 중요한 지표이지만, 모델 성능 최적화를 위해 다른 지표도 추적하는 것이 필수적입니다. 훈련 중에 모니터링해야 할 몇 가지 주요 지표는 다음과 같습니다:

• 정밀도
• 리콜
• 평균 평균 정밀도 (mAP)

이러한 메트릭은 트레이닝 로그에서 또는 시각화를 위해 TensorBoard 또는 wandb와 같은 도구를 사용하여 액세스할 수 있습니다. 이러한 메트릭을 기반으로 조기 중지를 구현하면 더 나은 결과를 얻을 수 있습니다.

교육 진행 상황을 추적하는 도구

이슈: 교육 진행 상황을 추적할 수 있는 도구에 대한 추천을 찾고 있습니다.

솔루션: 교육 진행 상황을 추적하고 시각화하려면 다음 도구를 사용하는 것을 고려해 볼 수 있습니다:

• 텐서보드: TensorBoard는 손실, 정확도 등을 포함한 교육 지표를 시각화하는 데 널리 사용되는 도구입니다. YOLO11 교육 프로세스와 통합할 수 있습니다.
• CometComet 에서는 실험 추적 및 비교를 위한 광범위한 툴킷을 제공합니다. 이를 통해 메트릭, 하이퍼파라미터, 모델 가중치까지 추적할 수 있습니다. YOLO 모델과의 통합도 간단하여 실험 주기에 대한 전체 개요를 제공합니다.
• Ultralytics 허브: Ultralytics 허브는 YOLO 모델 추적에 특화된 환경을 제공하여 메트릭, 데이터 세트를 관리하고 팀과 협업할 수 있는 원스톱 플랫폼을 제공합니다. YOLO 에 초점을 맞춘 맞춤형 추적 옵션을 제공합니다.

이러한 도구는 각각 고유한 장점을 제공하므로 선택할 때 프로젝트의 특정 요구 사항을 고려할 수 있습니다.

교육이 진행 중인지 확인하는 방법 GPU

문제입니다: 트레이닝 로그의 '장치' 값이 'null'이며, GPU 에서 트레이닝이 진행되고 있는지 확실하지 않습니다.

해결 방법: 'device' 값이 'null'이라는 것은 일반적으로 트레이닝 프로세스가 기본 동작인 사용 가능한 GPU 을 자동으로 사용하도록 설정되어 있음을 의미합니다. 특정 GPU 에서 교육이 이루어지도록 하려면 .yaml 구성 파일에서 'device' 값을 GPU 인덱스(예: 첫 번째 GPU 의 경우 '0')로 수동으로 설정할 수 있습니다:

device: 0

이렇게 하면 지정된 GPU 에 교육 프로세스가 명시적으로 할당됩니다. CPU 에서 교육하려면 'device'를 'cpu'로 설정합니다.

'실행' 폴더에서 로그와 메트릭을 주시하여 교육 진행 상황을 효과적으로 모니터링하세요.

효과적인 모델 트레이닝을 위한 주요 고려 사항

다음은 모델 트레이닝과 관련된 문제에 직면했을 때 염두에 두어야 할 몇 가지 사항입니다.

데이터 세트 형식 및 레이블

• 중요성: 모든 머신 러닝 모델의 기초는 학습되는 데이터의 품질과 형식에 있습니다.

• 권장 사항: 사용자 지정 데이터 집합과 관련 레이블이 예상 형식을 준수하는지 확인하세요. 주석이 정확하고 고품질인지 확인하는 것이 중요합니다. 주석이 부정확하거나 수준 이하의 주석은 모델의 학습 프로세스를 방해하여 예측할 수 없는 결과를 초래할 수 있습니다.

모델 컨버전스

• 중요성: 모델 수렴을 달성하면 모델이 학습 데이터로부터 충분히 학습했는지 확인할 수 있습니다.

• 권장 사항: 모델을 '처음부터' 훈련할 때는 모델이 만족할 만한 수준의 수렴에 도달하도록 하는 것이 중요합니다. 이를 위해서는 기존 모델을 미세 조정할 때보다 더 긴 훈련 기간과 더 많은 에포크가 필요할 수 있습니다.

학습 속도 및 배치 크기

• 중요성: 이러한 하이퍼파라미터는 학습 중에 모델이 가중치를 업데이트하는 방법을 결정하는 데 중추적인 역할을 합니다.

• 권장 사항: 선택한 학습 속도와 배치 크기가 특정 데이터 세트에 최적인지 정기적으로 평가하세요. 데이터 세트의 특성과 일치하지 않는 매개변수는 모델의 성능을 저해할 수 있습니다.

클래스 배포

• 중요성: 데이터 집합의 클래스 분포는 모델의 예측 경향에 영향을 미칠 수 있습니다.

• 권장 사항: 데이터 집합 내의 클래스 분포를 정기적으로 평가하세요. 클래스 불균형이 있는 경우, 모델이 더 많이 분포하는 클래스에 편향될 위험이 있습니다. 이러한 편향은 혼동 행렬에서 분명하게 드러날 수 있으며, 여기서 모델은 주로 다수 클래스를 예측할 수 있습니다.

사전 학습된 가중치로 교차 확인

• 중요성: 사전 학습된 가중치를 활용하면 특히 데이터가 제한적인 경우 모델 학습을 위한 확실한 출발점을 제공할 수 있습니다.

• 권장 사항: 진단 단계로 동일한 데이터를 사용하여 모델을 훈련하되 미리 훈련된 가중치로 초기화하는 것을 고려해 보세요. 이 접근 방식을 통해 혼동 행렬이 잘 형성되면 '처음부터' 모델에 추가 학습이나 조정이 필요할 수 있음을 시사할 수 있습니다.

모델 예측과 관련된 문제

이 섹션에서는 모델 예측 중에 직면하는 일반적인 문제를 다룹니다.

YOLO11 사용자 지정 모델로 바운딩 박스 예측 얻기

이슈: 사용자 지정 YOLO11 모델로 예측을 실행할 때 경계 상자 좌표의 형식 및 시각화에 문제가 있습니다.

솔루션:

• 좌표 형식: YOLO11 은 절대 픽셀 값으로 바운딩 박스 좌표를 제공합니다. 이를 상대 좌표(0~1 범위)로 변환하려면 이미지 크기로 나누어야 합니다. 예를 들어 이미지 크기가 640x640이라고 가정해 보겠습니다. 그러면 다음을 수행합니다:

# 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 얻으려면 예측 루프 내의 결과 개체에서 직접 이미지 파일 경로에 액세스합니다.

YOLO11 예측에서 개체 필터링하기

이슈: Ultralytics 라이브러리를 사용하여 YOLO11 을 실행할 때 예측 결과에서 특정 개체만 필터링하고 표시하는 방법에 대한 문제가 발생했습니다.

해결 방법: 특정 클래스를 감지하려면 classes 인수를 사용하여 출력에 포함할 클래스를 지정합니다. 예를 들어, 자동차만 감지하려면('cars'의 클래스 인덱스가 2라고 가정):

yolo task=detect mode=segment model=yolo11n-seg.pt source='path/to/car.mp4' show=True classes=2

의 정밀도 지표 이해 YOLO11

이슈: 박스 정밀도, 마스크 정밀도, 혼동 행렬 정밀도의 차이에 대한 혼동 YOLO11.

솔루션: 박스 정밀도는 IoU(Intersection over Union)를 메트릭으로 사용하여 실제 기준값 박스와 비교한 예측된 경계 박스의 정확도를 측정합니다. 마스크 정밀도는 픽셀 단위 객체 분류에서 예측된 세분화 마스크와 기준점 마스크 간의 일치도를 평가합니다. 반면 혼동 행렬 정밀도는 모든 클래스에 걸친 전반적인 분류 정확도에 초점을 맞추며 예측의 기하학적 정확도는 고려하지 않습니다. 경계 상자는 클래스 예측이 틀렸더라도 기하학적으로 정확할 수 있으며(정답), 따라서 상자 정밀도와 혼동 행렬 정밀도 간에 차이가 발생할 수 있다는 점에 유의해야 합니다. 이러한 메트릭은 모델 성능의 다양한 측면을 평가하며, 다양한 작업에서 다양한 평가 메트릭이 필요하다는 점을 반영합니다.

에서 개체 치수 추출 YOLO11

이슈: YOLO11 에서 감지된 물체의 길이와 높이를 검색하기 어려움, 특히 이미지에서 여러 개의 물체가 감지된 경우.

해결 방법: 바운딩 박스 치수를 검색하려면 먼저 Ultralytics YOLO11 모델을 사용하여 이미지의 객체를 예측합니다. 그런 다음 예측 결과에서 바운딩 박스의 너비와 높이 정보를 추출합니다.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

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

# Make predictions
results = model.predict(source, save=True, imgsz=320, conf=0.5)

# 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 과제

GPU 배포 문제

이슈: 다중GPU 환경에서 모델을 배포하면 예기치 않은 메모리 사용, GPU 간 일관되지 않은 결과 등과 같은 예기치 않은 동작이 발생할 수 있습니다.

해결 방법: 기본 GPU 초기화를 확인합니다. PyTorch 와 같은 일부 프레임워크는 지정된 GPU로 전환하기 전에 기본 GPU 에서 CUDA 작업을 초기화할 수 있습니다. 예기치 않은 기본 초기화를 우회하려면 배포 및 예측 중에 GPU 을 직접 지정하세요. 그런 다음 GPU 사용률 및 메모리 사용량을 모니터링하는 도구를 사용하여 실시간으로 이상 징후를 파악하세요. 또한 최신 버전의 프레임워크 또는 라이브러리를 사용하고 있는지 확인하세요.

모델 변환/내보내기 문제

문제: 머신 러닝 모델을 다른 형식이나 플랫폼으로 변환하거나 내보내는 과정에서 사용자에게 오류나 예기치 않은 동작이 발생할 수 있습니다.

솔루션:

• 호환성 확인: 서로 호환되는 라이브러리 및 프레임워크 버전을 사용하고 있는지 확인하세요. 버전이 일치하지 않으면 변환 중에 예기치 않은 오류가 발생할 수 있습니다.

• 환경 재설정: Jupyter 또는 Colab과 같은 대화형 환경을 사용하는 경우 중요한 변경이나 설치를 수행한 후에는 환경을 다시 시작하는 것이 좋습니다. 새로 시작하면 근본적인 문제를 해결할 수 있는 경우가 있습니다.

• 공식 문서: 변환에 사용 중인 도구 또는 라이브러리의 공식 문서를 항상 참조하세요. 여기에는 모델 내보내기에 대한 구체적인 지침과 모범 사례가 포함되어 있는 경우가 많습니다.

• 커뮤니티 지원: 라이브러리 또는 프레임워크의 공식 리포지토리에서 다른 사용자가 보고한 유사한 문제를 확인하세요. 유지 관리자나 커뮤니티에서 토론 스레드에서 해결책이나 해결 방법을 제공했을 수도 있습니다.

• 정기적으로 업데이트합니다: 최신 버전의 도구 또는 라이브러리를 사용하고 있는지 확인하세요. 개발자는 알려진 버그를 수정하거나 기능을 개선하는 업데이트를 자주 릴리스합니다.

• 점진적으로 테스트하세요: 전체 변환을 수행하기 전에 더 작은 모델이나 데이터 세트로 프로세스를 테스트하여 잠재적인 문제를 조기에 파악하세요.

커뮤니티 및 지원

같은 생각을 가진 사람들로 구성된 커뮤니티에 참여하면 YOLO11 에서 작업하는 경험과 성공을 크게 향상시킬 수 있습니다. 다음은 도움이 될 만한 몇 가지 채널과 리소스입니다.

도움을 받을 수 있는 포럼 및 채널

GitHub 이슈: YOLO11 리포지토리에는 질문하고, 버그를 신고하고, 새로운 기능을 제안할 수 있는 이슈 탭이 있습니다. 커뮤니티와 관리자가 활발하게 활동하고 있으며 특정 문제에 대한 도움을 받을 수 있는 좋은 곳입니다.

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

공식 문서 및 리소스

Ultralytics YOLO11 문서: 공식 문서에서는 설치, 사용 및 문제 해결에 대한 가이드와 함께 YOLO11 에 대한 포괄적인 개요를 제공합니다.

이러한 리소스는 YOLO11 프로젝트의 문제를 해결하고 개선하며 YOLO11 커뮤니티의 다른 사람들과 소통할 수 있는 탄탄한 토대가 될 것입니다.

결론

문제 해결은 모든 개발 프로세스에서 필수적인 부분이며, 올바른 지식을 갖추면 문제 해결에 소요되는 시간과 노력을 크게 줄일 수 있습니다. 이 가이드는 Ultralytics 생태계 내에서 YOLO11 모델 사용자가 직면하는 가장 일반적인 문제를 해결하는 것을 목표로 작성되었습니다. 이러한 일반적인 문제를 이해하고 해결함으로써 프로젝트를 더 원활하게 진행하고 컴퓨터 비전 작업에서 더 나은 결과를 얻을 수 있습니다.

Ultralytics 커뮤니티는 귀중한 리소스임을 기억하세요. 동료 개발자 및 전문가와 소통하면 표준 문서에서 다루지 않은 추가적인 인사이트와 솔루션을 얻을 수 있습니다. 항상 배우고, 실험하고, 경험을 공유하여 커뮤니티의 집단 지식에 기여하세요.

행복한 문제 해결!

자주 묻는 질문

설치 오류는 어떻게 해결하나요 YOLO11?

설치 오류는 호환성 문제나 종속성 누락으로 인해 발생하는 경우가 많습니다. Python 3.8 이상을 사용하고 PyTorch 1.8 이상을 설치했는지 확인하세요. 충돌을 피하려면 가상 환경을 사용하는 것이 좋습니다. 단계별 설치 가이드는 공식 설치 가이드를 참조하세요. 가져오기 오류가 발생하면 새로 설치하거나 라이브러리를 최신 버전으로 업데이트하세요.

YOLO11 모델 교육이 단일 GPU 에서 느린 이유는 무엇인가요?

배치 크기가 크거나 메모리가 부족하여 단일 GPU 에서 훈련하는 속도가 느려질 수 있습니다. 훈련 속도를 높이려면 여러 개의 GPU를 사용하세요. 시스템에 여러 개의 GPU를 사용할 수 있는지 확인하고 .yaml 구성 파일을 사용하여 GPU 수를 지정할 수 있습니다, gpus: 4. 메모리 제한을 초과하지 않고 GPU를 최대한 활용하려면 배치 크기를 적절히 늘립니다. 명령 예시:

model.train(data="/path/to/your/data.yaml", batch=32, multi_scale=True)

YOLO11 모델이 GPU 에서 교육을 받고 있는지 확인하려면 어떻게 해야 하나요?

트레이닝 로그에서 'device' 값이 'null'로 표시되면 일반적으로 트레이닝 프로세스가 사용 가능한 GPU 을 자동으로 사용하도록 설정되어 있음을 의미합니다. 특정 GPU 을 명시적으로 할당하려면, 여러분의 .yaml 구성 파일을 추가합니다. 예를 들어

device: 0

이렇게 하면 교육 프로세스가 첫 번째 GPU 로 설정됩니다. 를 참조하십시오. nvidia-smi 명령을 실행하여 CUDA 설정을 확인합니다.

YOLO11 모델 교육 진행 상황을 모니터링하고 추적하려면 어떻게 해야 하나요?

교육 진행 상황을 추적하고 시각화하는 것은 TensorBoard와 같은 도구를 통해 효율적으로 관리할 수 있습니다, Comet, Ultralytics 허브와 같은 도구를 통해 효율적으로 관리할 수 있습니다. 이러한 도구를 사용하면 손실, 정확도, 리콜 및 mAP와 같은 지표를 기록하고 시각화할 수 있습니다. 이러한 지표를 기반으로 조기 중지를 구현하면 더 나은 훈련 결과를 달성하는 데 도움이 될 수 있습니다.

YOLO11 에서 내 데이터 세트 형식을 인식하지 못하는 경우 어떻게 해야 하나요?

데이터 세트와 레이블이 예상 형식을 준수하는지 확인합니다. 주석이 정확하고 고품질인지 확인합니다. 문제가 발생하면 데이터 수집 및 어노테이션 가이드에서 모범 사례를 참조하세요. 데이터 집합에 대한 자세한 지침은 문서에서 데이터 집합 섹션을 참조하세요.

📅1 년 전 생성됨 ✏️ 1개월 전 업데이트됨

댓글