Ultralytics YOLO를 사용한 데이터 증강

YOLO data augmentation examples showing original and augmented images for training

소개

데이터 증강은 기존 이미지에 다양한 변환을 적용하여 학습 데이터셋을 인위적으로 확장하는 컴퓨터 비전의 핵심 기술입니다. Ultralytics YOLO와 같은 딥러닝 모델을 학습할 때 데이터 증강은 모델의 견고성을 개선하고 과적합을 줄이며 실제 시나리오에 대한 일반화 성능을 높이는 데 도움이 됩니다.

Watch: How to use Mosaic, MixUp & more Data Augmentations to help Ultralytics YOLO Models generalize better 🚀

데이터 증강이 중요한 이유

데이터 증강은 컴퓨터 비전 모델 학습에서 다음과 같은 몇 가지 중요한 목적을 수행합니다:

데이터셋 확장: 기존 이미지의 변형을 생성함으로써 새로운 데이터를 수집하지 않고도 학습 데이터셋의 크기를 효과적으로 늘릴 수 있습니다.
일반화 성능 향상: 모델이 다양한 조건에서 객체를 인식하는 법을 배우게 되어 실제 애플리케이션에서 더 견고해집니다.
과적합 감소: 학습 데이터에 변동성을 도입함으로써 모델이 특정 이미지의 특징을 암기할 가능성이 낮아집니다.
성능 강화: 적절한 증강 기법으로 학습된 모델은 일반적으로 검증 및 테스트 세트에서 더 높은 정확도를 달성합니다.

Ultralytics YOLO의 구현은 포괄적인 증강 기술 세트를 제공하며, 각 기술은 특정 목적을 수행하고 다양한 방식으로 모델 성능에 기여합니다. 이 가이드에서는 각 증강 매개변수를 자세히 살펴보고 프로젝트에서 효과적으로 사용하는 방법과 시기를 이해하도록 돕습니다.

구성 예시

Python API, CLI(명령줄 인터페이스) 또는 구성 파일을 사용하여 각 매개변수를 사용자 정의할 수 있습니다. 아래는 각 방법으로 데이터 증강을 설정하는 예시입니다.

구성 예시

import albumentations as A

from ultralytics import YOLO

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

# Training with custom augmentation parameters
model.train(data="coco.yaml", epochs=100, hsv_h=0.03, hsv_s=0.6, hsv_v=0.5)

# Training without any augmentations (disabled values omitted for clarity)
model.train(
    data="coco.yaml",
    epochs=100,
    hsv_h=0.0,
    hsv_s=0.0,
    hsv_v=0.0,
    translate=0.0,
    scale=0.0,
    fliplr=0.0,
    mosaic=0.0,
    erasing=0.0,
    auto_augment=None,
)

# Training with custom Albumentations transforms (Python API only)
custom_transforms = [
    A.Blur(blur_limit=7, p=0.5),
    A.CLAHE(clip_limit=4.0, p=0.5),
]
model.train(data="coco.yaml", epochs=100, augmentations=custom_transforms)

구성 파일 사용

You can define all training parameters, including augmentations, in a YAML configuration file (e.g., train_custom.yaml). The mode parameter is only required when using the CLI. This new YAML file will then override the default one located in the ultralytics package.

# train_custom.yaml
# 'mode' is required only for CLI usage
mode: train
data: coco8.yaml
model: yolo26n.pt
epochs: 100
hsv_h: 0.03
hsv_s: 0.6
hsv_v: 0.5

그런 다음 Python API로 학습을 시작합니다:

학습 예제

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model with custom configuration
model.train(cfg="train_custom.yaml")

색 공간 증강

색조 조정 (`hsv_h`)

범위: 0.0 - 1.0
기본값: 0.015
사용법: 이미지의 색상 관계를 유지하면서 색상을 변경합니다. hsv_h 하이퍼파라미터는 변환 크기를 정의하며, 최종 조정값은 -hsv_h와 hsv_h 사이에서 무작위로 선택됩니다. 예를 들어 hsv_h=0.3인 경우, 변환값은 -0.3에서 0.3 사이에서 무작위로 선택됩니다. 0.5보다 큰 값의 경우 색조 변환이 색상환을 따라 순환하므로 0.5와 -0.5 사이의 증강 결과는 동일하게 보입니다.
목적: 조명 조건이 객체의 외관에 큰 영향을 미칠 수 있는 실외 시나리오에서 특히 유용합니다. 예를 들어 바나나는 밝은 햇빛 아래서는 더 노랗게 보이지만 실내에서는 더 녹색을 띠게 보일 수 있습니다.
Ultralytics 구현: RandomHSV

`-0.5`	`-0.25`	`0.0`	`0.25`	`0.5`

채도 조정 (`hsv_s`)

범위: 0.0 - 1.0
기본값: 0.7
사용법: 이미지의 색상 강도를 수정합니다. hsv_s 하이퍼파라미터는 변환 크기를 정의하며, 최종 조정값은 -hsv_s와 hsv_s 사이에서 무작위로 선택됩니다. 예를 들어 hsv_s=0.7인 경우, 강도는 -0.7에서 0.7 사이에서 무작위로 선택됩니다.
목적: 모델이 다양한 날씨 조건과 카메라 설정을 처리하도록 돕습니다. 예를 들어 빨간색 교통 표지판은 맑은 날에는 매우 선명하게 보이지만 안개 낀 날에는 흐릿하고 색이 바랜 것처럼 보일 수 있습니다.
Ultralytics 구현: RandomHSV

`-1.0`	`-0.5`	`0.0`	`0.5`	`1.0`

명도 조정 (`hsv_v`)

범위: 0.0 - 1.0
기본값: 0.4
사용법: 이미지의 밝기를 변경합니다. hsv_v 하이퍼파라미터는 변환 크기를 정의하며, 최종 조정값은 -hsv_v와 hsv_v 사이에서 무작위로 선택됩니다. 예를 들어 hsv_v=0.4인 경우, 강도는 -0.4에서 0.4 사이에서 무작위로 선택됩니다.
목적: 다양한 조명 조건에서 작동해야 하는 모델을 학습시키는 데 필수적입니다. 예를 들어 빨간색 사과는 햇빛 아래서는 밝게 보이지만 그늘에서는 훨씬 더 어둡게 보일 수 있습니다.
Ultralytics 구현: RandomHSV

`-1.0`	`-0.5`	`0.0`	`0.5`	`1.0`

기하학적 변환

회전 (`degrees`)

범위: 0.0에서 180
기본값: 0
사용법: 지정된 범위 내에서 이미지를 무작위로 회전합니다. degrees 하이퍼파라미터는 회전 각도를 정의하며, 최종 조정값은 -degrees와 degrees 사이에서 무작위로 선택됩니다. 예를 들어 degrees=10.0인 경우, 회전은 -10.0에서 10.0 사이에서 무작위로 선택됩니다.
목적: 객체가 다양한 방향으로 나타날 수 있는 애플리케이션에서 중요합니다. 예를 들어 항공 드론 이미지에서 차량은 어떤 방향으로든 배치될 수 있으므로, 모델은 회전과 관계없이 객체를 인식해야 합니다.
Ultralytics 구현: RandomPerspective

`-180`	`-90`	`0.0`	`90`	`180`

이동 (`translate`)

범위: 0.0 - 1.0
기본값: 0.1
사용법: 이미지 크기의 무작위 비율만큼 이미지를 가로 및 세로로 이동합니다. translate 하이퍼파라미터는 이동 크기를 정의하며, 최종 조정값은 -translate와 translate 범위 내에서 (각 축에 대해 한 번씩) 두 번 무작위로 선택됩니다. 예를 들어 translate=0.5인 경우, x축에서는 -0.5에서 0.5 사이에서 이동값이 무작위로 선택되고, y축에서는 동일한 범위 내에서 별도의 독립적인 난수가 선택됩니다.
목적: 모델이 부분적으로 보이는 객체를 감지하도록 학습하고 객체 위치에 대한 견고성을 향상시킵니다. 예를 들어 차량 손상 평가 애플리케이션에서 촬영자의 위치와 거리에 따라 자동차 부품이 전체적으로 또는 부분적으로 프레임에 나타날 수 있는데, 이동 증강을 통해 모델은 객체의 완전성이나 위치와 관계없이 해당 특징을 인식하는 법을 배우게 됩니다.
Ultralytics 구현: RandomPerspective
참고: 단순화를 위해 아래에 적용된 이동은 x축과 y축 모두에 대해 매번 동일합니다. -1.0 및 1.0 값은 이미지를 프레임 밖으로 완전히 벗어나게 하므로 표시되지 않습니다.

`-0.5`	`-0.25`	`0.0`	`0.25`	`0.5`

스케일 (`scale`)

범위: 0.0 - 1.0
기본값: 0.5
사용법: 지정된 범위 내에서 무작위 계수로 이미지 크기를 조정합니다. scale 하이퍼파라미터는 스케일링 계수를 정의하며, 최종 조정값은 1-scale과 1+scale 사이에서 무작위로 선택됩니다. 예를 들어 scale=0.5인 경우, 스케일링은 0.5에서 1.5 사이에서 무작위로 선택됩니다.
목적: 모델이 다양한 거리와 크기의 객체를 처리할 수 있게 합니다. 예를 들어 자율 주행 애플리케이션에서 차량은 카메라로부터 다양한 거리에 나타날 수 있으므로, 모델은 크기에 상관없이 차량을 인식해야 합니다.
Ultralytics 구현: RandomPerspective
참고:
- -1.0 값은 이미지를 사라지게 하므로 표시되지 않으며, 1.0은 단순히 2배 줌 결과를 낳습니다.
- 아래 표에 표시된 값은 최종 스케일 계수가 아니라 하이퍼파라미터 scale을 통해 적용된 값입니다.
- scale이 1.0보다 크면 스케일링 계수가 1-scale과 1+scale 사이에서 무작위로 선택되기 때문에 이미지가 매우 작아지거나 뒤집힐 수 있습니다. 예를 들어 scale=3.0인 경우, 스케일링은 -2.0에서 4.0 사이에서 무작위로 선택됩니다. 음수 값이 선택되면 이미지가 뒤집힙니다.

`-0.5`	`-0.25`	`0.0`	`0.25`	`0.5`

전단 변환 (`shear`)

범위: -180에서 +180
기본값: 0
사용법: 이미지의 일부분을 한 방향으로 밀면서 평행선을 유지하는 기하학적 변환으로, x축과 y축을 따라 이미지를 비틉니다. shear 하이퍼파라미터는 전단 각도를 정의하며, 최종 조정값은 -shear와 shear 사이에서 무작위로 선택됩니다. 예를 들어 shear=10.0인 경우, x축에서 -10에서 10 사이에서 무작위로 전단값이 선택되고, y축에서 동일한 범위 내에서 별도의 독립적인 난수가 선택됩니다.
목적: 약간의 기울어짐이나 비스듬한 시점으로 인해 발생하는 시점 변화에 모델이 일반화되도록 돕습니다. 예를 들어 교통 모니터링에서 자동차나 도로 표지판과 같은 객체는 카메라 배치가 수직이 아니어서 기울어져 보일 수 있습니다. 전단 증강을 적용하면 이러한 왜곡에도 불구하고 모델이 객체를 인식하는 법을 배우게 됩니다.
Ultralytics 구현: RandomPerspective
참고:
- shear 값은 이미지를 급격하게 왜곡시킬 수 있으므로 작은 값에서 시작하여 점차 늘려가는 것이 좋습니다.
- 원근 변환과 달리 전단 변환은 깊이나 소실점을 도입하지 않고, 마주 보는 변을 평행하게 유지하면서 객체의 각도를 변경하여 모양을 왜곡합니다.

`-10`	`-5`	`0.0`	`5`	`10`

원근감 (`perspective`)

범위: 0.0 - 0.001
기본값: 0
사용법: x축과 y축 모두에 걸쳐 완전한 원근 변환을 적용하여, 서로 다른 깊이나 각도에서 볼 때 객체가 어떻게 보이는지를 시뮬레이션합니다. perspective 하이퍼파라미터는 원근감의 크기를 정의하며, 최종 조정값은 -perspective와 perspective 사이에서 무작위로 선택됩니다. 예를 들어 perspective=0.001인 경우, 원근감은 x축에서 -0.001에서 0.001 사이의 값으로 무작위 선택되며, y축에서도 동일한 범위 내에서 별도의 독립적인 무작위 값이 선택됩니다.
목적: 원근감 증강(augmentation)은 극단적인 시점 변화를 처리하는 데 중요하며, 특히 원근감 변화로 인해 객체가 짧게 보이거나 왜곡되어 나타나는 시나리오에서 필수적입니다. 예를 들어, 드론 기반 객체 탐지에서 건물, 도로, 차량은 드론의 기울기와 고도에 따라 늘어나거나 압축되어 보일 수 있습니다. 원근 변환을 적용함으로써 모델은 이러한 원근 왜곡에도 불구하고 객체를 인식하는 방법을 학습하여 실제 배포 환경에서의 견고성을 향상시킵니다.
Ultralytics 구현: RandomPerspective

`-0.001`	`-0.0005`	`0.0`	`0.0005`	`0.001`

상하 반전 (`flipud`)

범위: 0.0 - 1.0
기본값: 0
Usage: Performs a vertical flip by inverting the image along the y-axis. This transformation mirrors the entire image upside-down but preserves all spatial relationships between objects. The flipud hyperparameter defines the probability of applying the transformation, with a value of flipud=1.0 ensuring that all images are flipped and a value of flipud=0.0 disabling the transformation entirely. For example, with flipud=0.5, each image has a 50% chance of being flipped upside-down.
목적: 객체가 거꾸로 나타날 수 있는 시나리오에 유용합니다. 예를 들어, 로봇 비전 시스템에서 컨베이어 벨트 위의 객체나 로봇 팔이 잡은 물체는 다양한 방향으로 배치될 수 있습니다. 수직 반전은 모델이 위아래 위치와 상관없이 객체를 인식하도록 돕습니다.
Ultralytics 구현: RandomFlip

`flipud` 끄기	`flipud` 켜기

좌우 반전 (`fliplr`)

범위: 0.0 - 1.0
기본값: 0.5
사용법: 이미지를 x축을 기준으로 미러링하여 수평 반전을 수행합니다. 이 변환은 좌우 측면을 바꾸면서 공간적 일관성을 유지하며, 모델이 미러링된 방향으로 나타나는 객체에 대해서도 일반화할 수 있도록 돕습니다. fliplr 하이퍼파라미터는 변환 적용 확률을 정의하며, fliplr=1.0이면 모든 이미지가 반전되고 fliplr=0.0이면 변환이 완전히 비활성화됩니다. 예를 들어 fliplr=0.5인 경우 각 이미지는 50%의 확률로 좌우 반전됩니다.
목적: 수평 반전은 좌우 변화에 대한 견고성을 향상시키기 위해 객체 탐지, 포즈 추정, 얼굴 인식 분야에서 널리 사용됩니다. 예를 들어, 자율 주행에서 차량과 보행자는 도로의 양쪽 어디에나 나타날 수 있으며, 수평 반전은 모델이 두 방향 모두에서 동일하게 잘 인식하도록 돕습니다.
Ultralytics 구현: RandomFlip

`fliplr` 끄기	`fliplr` 켜기

BGR 채널 교환 (`bgr`)

범위: 0.0 - 1.0
기본값: 0
사용법: 이미지의 색상 채널을 RGB에서 BGR로 교환하여 색상이 표현되는 순서를 변경합니다. bgr 하이퍼파라미터는 변환 적용 확률을 정의하며, bgr=1.0이면 모든 이미지가 채널 교환을 거치고 bgr=0.0이면 비활성화됩니다. 예를 들어 bgr=0.5인 경우 각 이미지는 50%의 확률로 RGB에서 BGR로 변환됩니다.
목적: 서로 다른 색상 채널 순서에 대한 견고성을 높입니다. 예를 들어, RGB와 BGR 형식이 일관되지 않게 사용되는 다양한 카메라 시스템 및 이미징 라이브러리 전반에서 작동해야 하는 모델을 학습시키거나, 학습 데이터와 입력 색상 형식이 다를 수 있는 환경에 모델을 배포할 때 유용합니다.
Ultralytics 구현: Format

`bgr` 끄기	`bgr` 켜기

모자이크 (`mosaic`)

범위: 0.0 - 1.0
기본값: 1
사용법: 4개의 학습 이미지를 하나로 결합합니다. mosaic 하이퍼파라미터는 변환 적용 확률을 정의하며, mosaic=1.0이면 모든 이미지가 결합되고 mosaic=0.0이면 변환이 비활성화됩니다. 예를 들어 mosaic=0.5인 경우 각 이미지는 50%의 확률로 다른 3개의 이미지와 결합됩니다.
목적: 소형 객체 탐지 및 문맥 이해도를 향상시키는 데 매우 효과적입니다. 예를 들어, 야생 동물들이 다양한 거리와 크기로 나타날 수 있는 야생 동물 보호 프로젝트에서 모자이크 증강은 제한된 데이터로부터 다양한 학습 샘플을 인위적으로 생성하여, 크기 변화, 부분적 가림, 환경적 맥락이 다르더라도 모델이 동일 종을 인식하도록 학습하는 데 도움을 줍니다.
Ultralytics 구현: Mosaic
참고:
- mosaic 증강이 모델을 더욱 견고하게 만들 수는 있지만, 학습 과정을 더 어렵게 만들 수도 있습니다.
- mosaic 증강은 학습 완료 전 특정 에폭(epoch) 수를 지정하는 close_mosaic 설정을 통해 학습 종료 직전에 비활성화할 수 있습니다. 예를 들어 epochs가 200으로 설정되고 close_mosaic가 20으로 설정되면, mosaic 증강은 180 에폭 후에 비활성화됩니다. close_mosaic가 0으로 설정되면 학습 과정 전체 동안 mosaic 증강이 활성화됩니다.
- 생성된 모자이크의 중심점은 무작위 값으로 결정되며, 이미지 내부 또는 외부에 위치할 수 있습니다.
- 현재 mosaic 증강 구현은 데이터셋에서 무작위로 선택된 4개의 이미지를 결합합니다. 데이터셋이 작을 경우 동일한 이미지가 모자이크 내에서 여러 번 사용될 수 있습니다.

`mosaic` 끄기	`mosaic` 켜기

믹스업 (`mixup`)

범위: 0.0 - 1.0
기본값: 0
사용법: 지정된 확률에 따라 두 이미지와 그 라벨을 혼합합니다. mixup 하이퍼파라미터는 변환 적용 확률을 정의하며, mixup=1.0이면 모든 이미지가 혼합되고 mixup=0.0이면 변환이 비활성화됩니다. 예를 들어 mixup=0.5인 경우 각 이미지는 50%의 확률로 다른 이미지와 혼합됩니다.
목적: 모델의 견고성을 개선하고 과적합을 줄입니다. 예를 들어, 소매 제품 인식 시스템에서 믹스업은 서로 다른 제품 이미지를 혼합하여 더 견고한 특징을 학습하도록 돕고, 혼잡한 매장 진열대에서 부분적으로만 보이거나 다른 제품에 가려진 경우에도 항목을 식별하도록 가르칩니다.
Ultralytics 구현: Mixup
참고:
- mixup 비율은 np.random.beta(32.0, 32.0) 베타 분포에서 선택된 무작위 값이며, 이는 각 이미지가 약 50%씩 기여함을 의미합니다.

첫 번째 이미지, `mixup` 끄기	두 번째 이미지, `mixup` 끄기	`mixup` 켜기

컷믹스 (`cutmix`)

범위: 0.0 - 1.0
기본값: 0
사용법: 한 이미지에서 직사각형 영역을 잘라내어 지정된 확률로 다른 이미지에 붙여넣습니다. cutmix 하이퍼파라미터는 변환 적용 확률을 정의하며, cutmix=1.0이면 모든 이미지가 이 변환을 거치고 cutmix=0.0이면 완전히 비활성화됩니다. 예를 들어 cutmix=0.5인 경우 각 이미지는 50%의 확률로 다른 이미지의 패치로 영역이 대체됩니다.
목적: 로컬 특징의 무결성을 유지하면서 사실적인 가림(occlusion) 시나리오를 생성하여 모델 성능을 향상시킵니다. 예를 들어 자율 주행 시스템에서 컷믹스는 모델이 차량이나 보행자가 다른 객체에 부분적으로 가려져 있을 때도 이를 인식하도록 학습시켜, 객체가 겹치는 복잡한 실세계 환경에서의 탐지 정확도를 개선합니다.
Ultralytics 구현: CutMix
참고:
- 잘라낸 영역의 크기와 위치는 적용할 때마다 무작위로 결정됩니다.
- 전역적으로 픽셀 값을 혼합하는 믹스업과 달리, cutmix는 잘라낸 영역 내의 원래 픽셀 강도를 유지하여 로컬 특징을 보존합니다.
- 영역은 기존 바운딩 박스와 겹치지 않는 경우에만 대상 이미지에 붙여넣어집니다. 또한, 붙여넣은 영역 내에서 원래 면적의 최소 0.1(10%) 이상을 유지하는 바운딩 박스만 보존됩니다.
- 이 최소 바운딩 박스 면적 임계값은 현재 구현에서 변경할 수 없으며 기본적으로 0.1로 설정되어 있습니다.

첫 번째 이미지, `cutmix` 끄기	두 번째 이미지, `cutmix` 끄기	`cutmix` 켜기

세분화(Segmentation) 전용 증강

복사-붙여넣기 (`copy_paste`)

범위: 0.0 - 1.0
기본값: 0
사용법: 세분화 작업에만 작동하며, 이 증강은 copy_paste_mode로 제어되는 지정된 확률에 따라 이미지 내부 또는 이미지 간에 객체를 복사합니다. copy_paste 하이퍼파라미터는 변환 적용 확률을 정의하며, copy_paste=1.0이면 모든 이미지가 복사되고 copy_paste=0.0이면 변환이 비활성화됩니다. 예를 들어 copy_paste=0.5인 경우 각 이미지는 50%의 확률로 다른 이미지의 객체가 복사되어 붙여넣어집니다.
목적: 특히 인스턴스 세분화 작업 및 희귀 객체 클래스에 유용합니다. 예를 들어 산업 결함 탐지에서 특정 유형의 결함이 드물게 발생할 경우, copy-paste 증강은 결함을 한 이미지에서 다른 이미지로 복사하여 이러한 희귀 결함의 발생 빈도를 인위적으로 늘림으로써 추가적인 불량 샘플 없이도 모델이 학습하도록 돕습니다.
Ultralytics 구현: CopyPaste
참고:
- 아래 gif에서 볼 수 있듯이, copy_paste 증강은 한 이미지에서 다른 이미지로 객체를 복사하는 데 사용할 수 있습니다.
- 객체가 복사되면 copy_paste_mode와 상관없이 소스 이미지의 모든 객체와 IoA(Intersection over Area)가 계산됩니다. 모든 IoA가 0.3(30%) 미만이면 해당 객체가 대상 이미지에 붙여넣어집니다. IoA 중 하나라도 0.3을 넘으면 객체는 붙여넣어지지 않습니다.
- IoA 임계값은 현재 구현에서 변경할 수 없으며 기본적으로 0.3으로 설정되어 있습니다.

`copy_paste` 끄기	`copy_paste` 켜기 (`copy_paste_mode=flip` 적용)	`copy_paste` 프로세스 시각화

복사-붙여넣기 모드 (`copy_paste_mode`)

옵션: 'flip', 'mixup'
기본값: 'flip'
사용법: copy-paste 증강에 사용되는 방법을 결정합니다. 'flip'으로 설정하면 객체는 동일한 이미지에서 오고, 'mixup'은 서로 다른 이미지에서 객체를 복사할 수 있게 합니다.
목적: 복사된 객체가 대상 이미지에 통합되는 방식에 유연성을 제공합니다.
Ultralytics 구현: CopyPaste
참고:
- IoA 원리는 두 copy_paste_mode 모두 동일하지만, 객체가 복사되는 방식은 다릅니다.
- 이미지 크기에 따라 객체가 프레임 밖으로 부분적으로 또는 전체적으로 복사될 수 있습니다.
- 다각형(polygon) 주석의 품질에 따라 복사된 객체는 원본과 비교하여 약간의 모양 변화가 있을 수 있습니다.

참조 이미지	`copy_paste`를 위해 선택된 이미지	`copy_paste` 켜기 (`copy_paste_mode=mixup` 적용)

분류(Classification) 전용 증강

자동 증강 (`auto_augment`)

옵션: 'randaugment', 'autoaugment', 'augmix', None
기본값: 'randaugment'
사용법: 분류(classification)를 위한 자동 증강 정책을 적용합니다. 'randaugment' 옵션은 RandAugment를 사용하고, 'autoaugment'는 AutoAugment를, 'augmix'는 AugMix를 사용합니다. None으로 설정하면 자동 증강이 비활성화됩니다.
목적: 분류 작업에 대한 증강 전략을 자동으로 최적화합니다. 차이점은 다음과 같습니다:
- AutoAugment: 이 모드는 ImageNet, CIFAR10, SVHN과 같은 데이터셋에서 학습된 사전 정의된 증강 정책을 적용합니다. 사용자는 기존 정책을 선택할 수 있지만 Torchvision 내에서 새로운 정책을 학습시킬 수는 없습니다. 특정 데이터셋에 대한 최적의 증강 전략을 찾으려면 외부 라이브러리나 사용자 지정 구현이 필요합니다. AutoAugment 논문을 참조하십시오.
- RandAugment: 균일한 강도로 무작위 변환을 선택하여 적용합니다. 이 접근 방식은 광범위한 탐색 단계의 필요성을 줄여 계산 효율성을 높이면서도 모델의 견고성(robustness)을 향상시킵니다. RandAugment 논문을 참조하십시오.
- AugMix: AugMix는 간단한 변환을 무작위로 조합하여 다양한 이미지 변화를 생성함으로써 모델의 견고성을 높이는 데이터 증강 방법입니다. AugMix 논문을 참조하십시오.
Ultralytics 구현: classify_augmentations()
참고:
- 본질적으로 세 가지 방법의 주요 차이점은 증강 정책이 정의되고 적용되는 방식에 있습니다.
- 세 가지 방법을 자세히 비교한 이 문서를 참조할 수 있습니다.

랜덤 지우기(`erasing`)

범위: 0.0 - 0.9
기본값: 0.4
사용법: 분류 학습 중 이미지의 일부를 무작위로 지웁니다. erasing 하이퍼파라미터는 변환을 적용할 확률을 정의하며, erasing=0.9는 거의 모든 이미지에 적용되도록 하고, erasing=0.0은 변환을 비활성화합니다. 예를 들어 erasing=0.5이면 각 이미지는 50% 확률로 일부가 지워집니다.
목적: 모델이 견고한 특징을 학습하도록 돕고 특정 이미지 영역에 대한 과도한 의존을 방지합니다. 예를 들어 얼굴 인식 시스템에서 랜덤 지우기는 선글라스, 마스크 또는 얼굴 특징을 부분적으로 가릴 수 있는 기타 물체와 같은 부분적 폐색(occlusion)에 대해 모델이 더 견고해지도록 돕습니다. 이는 모델이 가려질 수 있는 특징에만 의존하는 대신 여러 얼굴 특징을 사용하여 개인을 식별하게 함으로써 실제 성능을 향상시킵니다.
Ultralytics 구현: classify_augmentations()
참고:
- The erasing augmentation comes with a scale, ratio, and value hyperparameters that cannot be changed with the current implementation. Their default values are (0.02, 0.33), (0.3, 3.3), and 0, respectively, as stated in the PyTorch documentation.
- erasing 하이퍼파라미터의 상한값은 모든 이미지에 변환이 적용되는 것을 방지하기 위해 0.9로 설정되어 있습니다.

`erasing` 비활성화	`erasing` 활성화 (예시 1)	`erasing` 활성화 (예시 2)	`erasing` 활성화 (예시 3)

고급 증강 기능

사용자 지정 Albumentations 변환(`augmentations`)

유형: Albumentations 변환의 list
기본값: None
사용법: Python API를 사용하여 데이터 증강을 위한 사용자 지정 Albumentations 변환을 제공할 수 있습니다. 이 매개변수는 기본 Albumentations 변환 대신 학습 중에 적용될 Albumentations 변환 객체 목록을 허용합니다.
목적: 방대한 Albumentations 변환 라이브러리를 활용하여 데이터 증강 전략을 세밀하게 제어할 수 있습니다. 이는 고급 색상 조정, 노이즈 삽입 또는 도메인 특화 변환과 같이 내장된 YOLO 옵션을 넘어선 전문적인 증강이 필요할 때 특히 유용합니다.
Ultralytics 구현: Albumentations

사용자 지정 Albumentations 예시

import albumentations as A

from ultralytics import YOLO

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

# Define custom Albumentations transforms
custom_transforms = [
    A.Blur(blur_limit=7, p=0.5),
    A.GaussNoise(var_limit=(10.0, 50.0), p=0.3),
    A.CLAHE(clip_limit=4.0, p=0.5),
    A.RandomBrightnessContrast(brightness_limit=0.2, contrast_limit=0.2, p=0.5),
    A.HueSaturationValue(hue_shift_limit=20, sat_shift_limit=30, val_shift_limit=20, p=0.5),
]

# Train with custom Albumentations transforms
model.train(
    data="coco8.yaml",
    epochs=100,
    augmentations=custom_transforms,  # Pass custom transforms
    imgsz=640,
)

핵심 사항:

Python API 전용: 사용자 지정 Albumentations 변환은 현재 Python API를 통해서만 지원됩니다. CLI 또는 YAML 구성 파일을 통해서는 지정할 수 없습니다.
기본 변환 대체: augmentations 매개변수를 통해 사용자 지정 변환을 제공하면 기본 Albumentations 변환을 완전히 대체합니다. 기본 YOLO 증강(예: mosaic, hsv_h, hsv_s, degrees 등)은 활성 상태로 유지되며 독립적으로 적용됩니다.
BBox 호환성: 공간 변환(이미지의 기하학적 구조를 변경하는 변환)을 사용할 때는 주의하십시오. Ultralytics는 BBox 조정을 자동으로 처리하지만 일부 복잡한 변환은 추가 구성이 필요할 수 있습니다.
방대한 라이브러리: Albumentations는 70개 이상의 다양한 변환을 제공합니다. Albumentations 문서를 탐색하여 사용 가능한 모든 옵션을 확인하십시오.
성능 고려 사항: 너무 많은 증강을 추가하거나 계산 비용이 많이 드는 변환을 사용하면 학습 속도가 느려질 수 있습니다. 작은 세트로 시작하여 학습 속도를 모니터링하십시오.

일반적인 사용 사례:

의료 영상: X-ray 또는 MRI 영상 증강을 위해 탄성 변형(elastic deformation)이나 격자 왜곡(grid distortion)과 같은 특수 변환 적용
항공/위성 영상: 오버헤드 관점에 최적화된 변환 사용
저조도 조건: 까다로운 조명을 시뮬레이션하기 위해 노이즈 및 밝기 조정 적용
산업 검사: 품질 관리 애플리케이션을 위해 결함 같은 패턴 또는 질감 변화 추가

호환성 참고 사항:

Albumentations 버전 1.0.3 이상 필요
모든 YOLO 탐지 및 세그멘테이션 작업과 호환됨
분류 작업에는 적용되지 않음(분류는 별도의 증강 파이프라인을 사용함)

Albumentations 및 사용 가능한 변환에 대한 자세한 정보는 공식 Albumentations 문서를 방문하십시오.

FAQ

선택할 수 있는 증강이 너무 많습니다. 무엇을 사용해야 할지 어떻게 알 수 있나요?

올바른 증강을 선택하는 것은 귀하의 구체적인 사용 사례와 데이터셋에 따라 다릅니다. 결정하는 데 도움이 될 몇 가지 일반적인 지침은 다음과 같습니다:

대부분의 경우 색상과 밝기의 약간의 변화는 유익합니다. hsv_h, hsv_s, hsv_v의 기본값은 좋은 출발점입니다.
카메라의 관점이 일정하고 모델 배포 후 변경되지 않는다면 rotation, translation, scale, shear 또는 perspective와 같은 기하학적 변환은 건너뛸 수 있습니다. 그러나 카메라 각도가 변경될 수 있고 모델이 더 견고해져야 한다면 이러한 증강을 유지하는 것이 좋습니다.
부분적으로 가려진 객체나 이미지당 여러 객체가 있어도 괜찮고 레이블 값에 변화가 없는 경우에만 mosaic 증강을 사용하십시오. 또는 mosaic을 활성화한 상태에서 close_mosaic 값을 높여 학습 과정의 초기에 비활성화할 수도 있습니다.

요약하자면, 단순하게 유지하십시오. 소수의 증강으로 시작하여 필요에 따라 점진적으로 추가하십시오. 목표는 학습 과정을 복잡하게 만드는 것이 아니라 모델의 일반화 및 견고성을 향상시키는 것입니다. 또한 적용하는 증강이 모델이 실제 환경에서 직면할 데이터 분포를 반영하는지 확인하십시오.

학습을 시작할 때 `albumentations: Blur[...]` 참조가 표시됩니다. Ultralytics YOLO가 흐림(blur)과 같은 추가 증강을 실행한다는 뜻인가요?

albumentations 패키지가 설치되어 있으면 Ultralytics는 자동으로 이를 사용하여 일련의 추가 이미지 증강을 적용합니다. 이러한 증강은 내부적으로 처리되며 별도의 구성이 필요하지 않습니다.

적용된 변환의 전체 목록은 기술 문서와 Albumentations 통합 가이드에서 확인할 수 있습니다. 확률 p가 0보다 큰 증강만 활성화된다는 점을 참고하십시오. 이는 흐림이나 회색조 효과와 같은 실제 시각적 아티팩트를 모방하기 위해 낮은 빈도로 의도적으로 적용됩니다.

Python API를 사용하여 직접 사용자 지정 Albumentations 변환을 제공할 수도 있습니다. 자세한 내용은 고급 증강 기능 섹션을 참조하십시오.

학습을 시작할 때 albumentations에 대한 참조가 전혀 보이지 않습니다. 왜 그럴까요?

albumentations 패키지가 설치되어 있는지 확인하십시오. 설치되어 있지 않다면 pip install albumentations를 실행하여 설치할 수 있습니다. 설치가 완료되면 패키지가 자동으로 감지되어 Ultralytics에서 사용됩니다.

증강을 어떻게 사용자 지정할 수 있나요?

사용자 지정 데이터셋 클래스와 트레이너를 만들어 증강을 사용자 지정할 수 있습니다. 예를 들어 기본 Ultralytics 분류 증강을 PyTorch의 torchvision.transforms.Resize 또는 다른 변환으로 대체할 수 있습니다. 구현 세부 사항은 분류 문서의 사용자 지정 학습 예시를 참조하십시오.

Contributors

GLglenn-jocher⁶ PIpicsalex³ RIRizwanMunawar³RORonald Eddy Jr¹PDpderrenger¹ Y-Y-T-G¹ ONonuralpszr¹ MImiles-deans-ultralytics¹ LALaughing-q¹ ARartzuros¹

Created 2025년 4월 14일Updated 지난주

Ultralytics YOLO를 사용한 데이터 증강

소개

데이터 증강이 중요한 이유

구성 예시

구성 파일 사용

색 공간 증강

색조 조정 (hsv_h)

채도 조정 (hsv_s)

명도 조정 (hsv_v)

기하학적 변환

회전 (degrees)

이동 (translate)

스케일 (scale)

전단 변환 (shear)

원근감 (perspective)

상하 반전 (flipud)

좌우 반전 (fliplr)

BGR 채널 교환 (bgr)

모자이크 (mosaic)

믹스업 (mixup)

컷믹스 (cutmix)

세분화(Segmentation) 전용 증강

복사-붙여넣기 (copy_paste)

복사-붙여넣기 모드 (copy_paste_mode)

분류(Classification) 전용 증강

자동 증강 (auto_augment)

랜덤 지우기(erasing)

고급 증강 기능

사용자 지정 Albumentations 변환(augmentations)

FAQ

선택할 수 있는 증강이 너무 많습니다. 무엇을 사용해야 할지 어떻게 알 수 있나요?

학습을 시작할 때 albumentations: Blur[...] 참조가 표시됩니다. Ultralytics YOLO가 흐림(blur)과 같은 추가 증강을 실행한다는 뜻인가요?

학습을 시작할 때 albumentations에 대한 참조가 전혀 보이지 않습니다. 왜 그럴까요?

증강을 어떻게 사용자 지정할 수 있나요?

댓글

색조 조정 (`hsv_h`)

채도 조정 (`hsv_s`)

명도 조정 (`hsv_v`)

회전 (`degrees`)

이동 (`translate`)

스케일 (`scale`)

전단 변환 (`shear`)

원근감 (`perspective`)

상하 반전 (`flipud`)

좌우 반전 (`fliplr`)

BGR 채널 교환 (`bgr`)

모자이크 (`mosaic`)

믹스업 (`mixup`)

컷믹스 (`cutmix`)

복사-붙여넣기 (`copy_paste`)

복사-붙여넣기 모드 (`copy_paste_mode`)

자동 증강 (`auto_augment`)

랜덤 지우기(`erasing`)

사용자 지정 Albumentations 변환(`augmentations`)

학습을 시작할 때 `albumentations: Blur[...]` 참조가 표시됩니다. Ultralytics YOLO가 흐림(blur)과 같은 추가 증강을 실행한다는 뜻인가요?