Albumentations를 사용하여 YOLO26 학습을 위한 데이터셋 개선하기#

컴퓨터 비전 모델을 구축할 때 학습 데이터의 품질과 다양성은 모델의 성능에 큰 영향을 미칠 수 있습니다. Albumentations는 다양한 이미지 변환을 빠르고 유연하며 효율적으로 적용하여 모델이 실제 시나리오에 적응하는 능력을 향상할 수 있는 방법을 제공합니다. Ultralytics YOLO26과 쉽게 통합되며 객체 탐지, 세그멘테이션, 분류 작업을 위한 강력한 데이터셋을 만드는 데 도움이 됩니다.

Albumentations를 사용하면 기하학적 변환과 색상 조정 같은 기법으로 YOLO26 학습 데이터를 강화할 수 있습니다. 이 문서에서는 Albumentations가 데이터 증강 프로세스를 개선하고 YOLO26 프로젝트를 더욱 효과적으로 만드는 방법을 살펴봅니다. 시작해 보겠습니다!

이미지 증강을 위한 Albumentations#

Albumentations는 2018년 6월에 개발된 오픈 소스 이미지 증강 라이브러리입니다. 컴퓨터 비전에서 이미지 증강 프로세스를 간소화하고 가속하도록 설계되었습니다. 성능과 유연성을 고려하여 개발되었으며, 회전과 뒤집기 같은 간단한 변환부터 밝기와 대비 변경 같은 복잡한 조정까지 다양한 증강 기법을 지원합니다. Albumentations는 이미지 분류, 객체 탐지, 세그멘테이션과 같은 작업을 위해 풍부하고 다양한 데이터셋을 생성하는 데 도움이 됩니다.

Albumentations를 사용하면 이미지, segmentation masks, bounding boxes, keypoints에 증강을 쉽게 적용하고 데이터셋의 모든 요소가 함께 변환되도록 보장할 수 있습니다. PyTorch 및 TensorFlow와 같은 인기 있는 딥러닝 프레임워크와 원활하게 연동되므로 다양한 프로젝트에서 쉽게 활용할 수 있습니다.

또한 Albumentations는 소규모 데이터셋부터 대규모 컴퓨터 비전 작업까지 처리할 때 유용한 증강 도구입니다. 빠르고 효율적인 처리를 보장하여 데이터 준비에 소요되는 시간을 줄여 줍니다. 동시에 모델 성능을 향상하여 실제 애플리케이션에서 모델의 효율을 높이는 데 도움이 됩니다.

Albumentations의 주요 기능#

Albumentations는 다양한 컴퓨터 비전 애플리케이션에서 복잡한 이미지 증강을 간소화하는 유용한 기능을 제공합니다. 주요 기능은 다음과 같습니다.

• 다양한 변환: Albumentations는 기하학적 변경(예: 회전, 뒤집기), 색상 조정(예: 밝기, 대비), 노이즈 추가(예: 가우시안 노이즈)를 포함하여 70가지 이상의 변환을 제공합니다. 다양한 옵션을 활용하면 매우 다양하고 강력한 학습 데이터셋을 만들 수 있습니다.

• 고성능 최적화: OpenCV와 NumPy를 기반으로 구축된 Albumentations는 SIMD(단일 명령어 다중 데이터)와 같은 고급 최적화 기법을 사용하여 여러 데이터 지점을 동시에 처리하고 처리 속도를 높입니다. 대규모 데이터셋을 빠르게 처리하므로 이미지 증강에 사용할 수 있는 가장 빠른 옵션 중 하나입니다.

• 세 가지 증강 수준: Albumentations는 픽셀 수준 변환, 공간 수준 변환, 혼합 수준 변환의 세 가지 증강 수준을 지원합니다. 픽셀 수준 변환은 마스크, 바운딩 박스 또는 키포인트를 변경하지 않고 입력 이미지만 수정합니다. 반면 공간 수준 변환에서는 이미지와 마스크 및 바운딩 박스 같은 요소가 함께 변환됩니다. 또한 혼합 수준 변환은 여러 이미지를 하나로 결합하여 데이터를 증강하는 고유한 방법입니다.

• 벤치마킹 결과: 벤치마킹에서 Albumentations는 특히 대규모 데이터셋을 사용할 때 다른 라이브러리보다 일관되게 우수한 성능을 보입니다.

Vision AI 프로젝트에 Albumentations를 사용해야 하는 이유#

이미지 증강과 관련하여 Albumentations는 컴퓨터 비전 작업을 위한 신뢰할 수 있는 도구로 두각을 나타냅니다. Vision AI 프로젝트에 사용해야 하는 몇 가지 주요 이유는 다음과 같습니다.

• 사용하기 쉬운 API: Albumentations는 이미지, 마스크, 바운딩 박스, 키포인트에 다양한 증강을 적용할 수 있는 단일하고 간단한 API를 제공합니다. 다양한 데이터셋에 쉽게 맞출 수 있도록 설계되어 데이터 준비를 더욱 간단하고 효율적으로 만듭니다.

• 엄격한 버그 테스트: 증강 파이프라인의 버그는 입력 데이터를 조용히 손상시킬 수 있으며, 대개 발견되지 않은 채로 모델 성능을 저하시킵니다. Albumentations는 철저한 테스트 모음을 통해 개발 초기 단계에서 버그를 발견할 수 있도록 합니다.

• 확장성: Albumentations를 사용하면 기본 제공 변환과 함께 단일 인터페이스를 통해 새로운 증강을 쉽게 추가하고 컴퓨터 비전 파이프라인에서 사용할 수 있습니다.

YOLO26 학습을 위해 Albumentations로 데이터를 증강하는 방법#

이제 Albumentations가 무엇이며 어떤 기능을 제공하는지 살펴보았으므로, YOLO26 모델 학습을 위해 데이터를 증강하는 방법을 알아보겠습니다. Ultralytics의 학습 모드에 직접 통합되므로 설정이 간단하며, Albumentations 패키지가 설치되어 있으면 자동으로 적용됩니다.

설치#

YOLO26에서 Albumentations를 사용하려면 먼저 필요한 패키지가 설치되어 있는지 확인합니다. Albumentations가 설치되어 있지 않으면 학습 중에 증강이 적용되지 않습니다. 설정을 완료하면 Albumentations가 통합된 증강 데이터셋을 만들어 모델을 자동으로 개선할 수 있습니다.

# Install the required packages
pip install albumentations ultralytics

설치 과정에 대한 자세한 지침과 모범 사례는 Ultralytics 설치 가이드를 확인하세요. YOLO26에 필요한 패키지를 설치하는 동안 문제가 발생하면 해결 방법과 팁이 포함된 일반적인 문제 가이드를 참조하세요.

이 페이지의 사용자 지정 변환 예제에는 Albumentations 1.4.22 이상과 Python 3.9 이상이 필요합니다.

사용법#

필요한 패키지를 설치하면 YOLO26에서 Albumentations를 사용할 준비가 됩니다. YOLO26을 학습할 때 Albumentations와의 통합을 통해 일련의 증강이 자동으로 적용되므로 모델 성능을 쉽게 향상할 수 있습니다.

from ultralytics import YOLO

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

# Train the model with default augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

이제 학습 중에 적용되는 구체적인 증강을 자세히 살펴보겠습니다.

블러#

Albumentations의 Blur 변환은 작은 정사각형 영역 또는 커널 내 픽셀 값의 평균을 계산하여 이미지에 간단한 블러 효과를 적용합니다. 이는 OpenCV cv2.blur 함수를 사용하여 수행되며, 이미지의 노이즈를 줄이는 데 도움이 되지만 이미지 세부 정보도 약간 감소시킵니다.

이 통합에서 사용되는 매개변수와 값은 다음과 같습니다.

• blur_limit: 블러 효과의 크기 범위를 제어합니다. 기본 범위는 (3, 7)이며, 블러 커널 크기가 3~7픽셀 사이에서 변할 수 있음을 의미합니다. 블러를 중앙에 유지하기 위해 홀수만 허용됩니다.

• p: 블러를 적용할 확률입니다. 이 통합에서는 p=0.01이므로 각 이미지에 블러가 적용될 확률은 1%입니다. 낮은 확률로 블러 효과를 간헐적으로 적용하여 이미지를 과도하게 흐리게 하지 않으면서 모델의 일반화에 도움이 되는 약간의 변화를 도입합니다.

미디언 블러#

Albumentations의 MedianBlur 변환은 이미지에 미디언 블러 효과를 적용하며, 가장자리를 보존하면서 노이즈를 줄이는 데 특히 유용합니다. 일반적인 블러링 방법과 달리 MedianBlur는 미디언 필터를 사용하므로 가장자리의 선명도를 유지하면서 솔트 앤 페퍼 노이즈를 제거하는 데 특히 효과적입니다.

이 통합에서 사용되는 매개변수와 값은 다음과 같습니다.

• blur_limit: 블러 커널의 최대 크기를 제어합니다. 이 통합에서는 기본 범위가 (3, 7)이므로 블러 커널 크기가 3~7픽셀 사이에서 무작위로 선택됩니다. 올바른 정렬을 위해 홀수 값만 허용됩니다.

• p: 미디언 블러를 적용할 확률을 설정합니다. 여기서 p=0.01이므로 각 이미지에 변환이 적용될 확률은 1%입니다. 이 낮은 확률로 미디언 블러를 제한적으로 사용하여 모델이 노이즈가 감소하고 가장자리가 보존된 이미지를 간헐적으로 학습하도록 함으로써 일반화 성능을 높입니다.

아래 이미지는 이 증강을 이미지에 적용한 예를 보여 줍니다.

그레이스케일#

Albumentations의 ToGray 변환은 이미지를 그레이스케일로 변환하여 단일 채널 형식으로 줄이고, 필요에 따라 이 채널을 지정된 출력 채널 수에 맞게 복제합니다. 그레이스케일 밝기 계산 방식을 조정하기 위해 단순 평균부터 대비와 밝기를 더욱 사실적으로 인식하는 고급 기법까지 다양한 방법을 사용할 수 있습니다.

이 통합에서 사용되는 매개변수와 값은 다음과 같습니다.

• num_output_channels: 출력 이미지의 채널 수를 설정합니다. 이 값이 1보다 크면 단일 그레이스케일 채널을 복제하여 다중 채널 그레이스케일 이미지를 만듭니다. 기본값은 3이므로 동일한 채널 3개로 구성된 그레이스케일 이미지가 생성됩니다.

• method: 그레이스케일 변환 방법을 정의합니다. 기본 방법인 "weighted_average"는 사람의 인식과 밀접하게 일치하는 공식(0.299R + 0.587G + 0.114B)을 적용하여 자연스러운 그레이스케일 효과를 제공합니다. "from_lab", "desaturation", "average", "max", "pca"와 같은 다른 옵션은 속도, 밝기 강조 또는 세부 정보 보존 등 다양한 요구에 따라 그레이스케일 이미지를 만드는 대체 방법을 제공합니다.

• p: 그레이스케일 변환 적용 빈도를 제어합니다. p=0.01이면 각 이미지가 그레이스케일로 변환될 확률이 1%이므로, 색상 이미지와 그레이스케일 이미지가 섞여 모델의 일반화 성능을 높일 수 있습니다.

아래 이미지는 이 그레이스케일 변환을 적용한 예를 보여 줍니다.

대비 제한 적응형 히스토그램 평활화 (CLAHE)#

Albumentations의 CLAHE 변환은 대비 제한 적응형 히스토그램 평활화 (CLAHE)를 적용합니다. 이는 전체 이미지가 아니라 지역 영역(타일)에서 히스토그램을 평활화하여 이미지 대비를 향상하는 기법입니다. CLAHE는 균형 잡힌 향상 효과를 생성하며, 특히 초기 대비가 낮은 영역에서 표준 히스토그램 평활화로 인해 발생할 수 있는 과도한 대비 증폭을 방지합니다.

이 통합에서 사용되는 매개변수와 값은 다음과 같습니다.

• clip_limit: 대비 향상 범위를 제어합니다. 기본 범위는 (1, 4)로 설정되며 각 타일에서 허용되는 최대 대비를 결정합니다. 값이 높을수록 대비가 커지지만 노이즈가 발생할 수도 있습니다.

• tile_grid_size: 일반적으로 (행, 열) 형식으로 타일 그리드의 크기를 정의합니다. 기본값은 (8, 8)이며 이미지가 8x8 그리드로 나뉜다는 의미입니다. 타일 크기가 작을수록 더욱 국소적인 조정이 가능하고, 클수록 전역 평활화에 가까운 효과가 생성됩니다.

• p: CLAHE를 적용할 확률입니다. 여기서 p=0.01은 1%의 경우에만 향상 효과를 적용하여 학습 이미지의 대비 조정을 제한적으로 수행하고 간헐적인 변화를 제공합니다.

아래 이미지는 CLAHE 변환을 적용한 예를 보여 줍니다.

사용자 지정 Albumentations 변환 사용하기#

기본 Albumentations 통합은 다양한 증강을 제공하지만, 특정 사용 사례에 맞게 변환을 사용자 지정해야 할 수 있습니다. Ultralytics YOLO26에서는 augmentations 매개변수를 사용하여 Python API를 통해 사용자 지정 Albumentations 변환을 쉽게 전달할 수 있습니다. 이 섹션의 예제에는 Albumentations 1.4.22 이상이 필요합니다.

사용자 지정 변환 정의 방법#

고유한 Albumentations 변환 목록을 정의하고 학습 함수에 전달할 수 있습니다. 이렇게 하면 기본 Albumentations 변환이 대체되지만 hsv_h, degrees, mosaic 등과 같은 다른 모든 YOLO 증강은 활성 상태로 유지됩니다.

다음은 더욱 고급 변환을 사용하는 예입니다.

import albumentations as A

from ultralytics import YOLO

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

# Define custom transforms with various augmentation techniques
custom_transforms = [
    # Blur variations
    A.OneOf(
        [
            A.MotionBlur(blur_limit=7, p=1.0),
            A.MedianBlur(blur_limit=7, p=1.0),
            A.GaussianBlur(blur_limit=7, p=1.0),
        ],
        p=0.3,
    ),
    # Noise variations
    A.OneOf(
        [
            A.GaussNoise(std_range=(0.0124, 0.0277), p=1.0),
            A.ISONoise(color_shift=(0.01, 0.05), intensity=(0.1, 0.5), p=1.0),
        ],
        p=0.2,
    ),
    # Color and contrast adjustments
    A.CLAHE(clip_limit=4.0, tile_grid_size=(8, 8), p=0.5),
    A.RandomBrightnessContrast(brightness_limit=0.3, contrast_limit=0.3, p=0.5),
    A.HueSaturationValue(hue_shift_limit=20, sat_shift_limit=30, val_shift_limit=20, p=0.5),
    # Simulate occlusions
    A.CoarseDropout(num_holes_range=(1, 8), hole_height_range=(8, 32), hole_width_range=(8, 32), fill=0, p=0.2),
]

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

중요 고려 사항#

사용자 지정 Albumentations 변환을 사용할 때는 다음 사항을 염두에 두세요.

• 설정: Python API를 통해 커스텀 변환 객체를 빌드할 수 있습니다. 직렬화된 변환은 학습을 재개할 때를 포함하여 CLI 또는 YAML 설정 파일을 통해서도 전달될 수 있습니다.
• 기본값 대체: 사용자 지정 변환은 기본 Albumentations 변환을 완전히 대체합니다. 다른 YOLO 증강은 계속 활성 상태로 유지됩니다.
• 레이블 처리: A.OneOf 또는 A.Compose에 중첩된 변환을 포함한 공간 변환은 이미지와 함께 바운딩 박스, 폴리곤, 키포인트, 그리고 깊이 또는 시맨틱 마스크를 함께 이동시킵니다. A.RandomGridShuffle는 폴리곤 또는 키포인트 토폴로지를 유지할 수 없으며 세분화, 포즈, OBB 샘플에서 오류를 발생시킵니다.
• 성능: 일부 변환은 계산 비용이 높습니다. 학습 속도를 모니터링하고 그에 따라 조정하세요.
• 태스크 호환성: 커스텀 Albumentations 변환은 탐지, 세분화, 시맨틱 세분화, 깊이, 포즈 및 OBB 학습에서는 작동하지만 분류(다른 증강 파이프라인을 사용함)에서는 작동하지 않습니다.

사용자 지정 변환의 사용 사례#

애플리케이션마다 서로 다른 증강 전략이 유용합니다.

• 의료 영상: 탄성 변형, 그리드 왜곡, 특수 노이즈 패턴을 사용합니다.
• 항공/위성 이미지: 다양한 고도, 기상 조건, 조명 각도를 시뮬레이션하는 변환을 적용합니다.
• 저조도 시나리오: 노이즈 추가와 밝기 조정을 강조하여 까다로운 조명 환경에 강한 모델을 학습합니다.
• 산업 검사: 품질 관리 애플리케이션을 위해 텍스처 변화와 결함 시뮬레이션을 추가합니다.

사용 가능한 변환과 해당 매개변수의 전체 목록은 Albumentations 문서를 참조하세요.

YOLO26에서 사용자 지정 Albumentations 변환을 사용하는 자세한 예제와 모범 사례는 YOLO 데이터 증강 가이드를 참조하세요.

Albumentations에 대해 계속 알아보기#

Albumentations에 대해 더 자세히 알아보려면 다음 리소스에서 심층적인 지침과 예제를 확인하세요.

• Albumentations 문서: 공식 문서에서 지원되는 전체 변환과 고급 사용 기법을 확인할 수 있습니다.

• Ultralytics Albumentations 가이드: 이 통합을 지원하는 함수의 세부 사항을 자세히 살펴볼 수 있습니다.

• Albumentations GitHub 리포지토리: 리포지토리에는 증강 사용자 지정을 시작하는 데 도움이 되는 예제, 벤치마크, 토론이 포함되어 있습니다.

핵심 요점#

이 가이드에서는 이미지 증강을 위한 유용한 Python 라이브러리인 Albumentations의 주요 측면을 살펴보았습니다. 다양한 변환, 최적화된 성능, 그리고 다음 YOLO26 프로젝트에서 이를 사용하는 방법을 알아보았습니다.

또한 다른 Ultralytics YOLO26 통합에 대해 자세히 알아보려면 통합 가이드 페이지를 방문하세요. 이곳에서 유용한 리소스와 정보를 확인할 수 있습니다.

FAQ#