Albumentations를 사용하여 YOLO26 학습용 데이터셋 개선하기#

computer vision models을 구축할 때 training data의 품질과 다양성은 모델의 성능에 큰 영향을 미칠 수 있습니다. Albumentations는 실제 환경 시나리오에 대한 모델의 적응력을 향상시킬 수 있는 광범위한 이미지 변환을 빠르고 유연하며 효율적으로 적용할 수 있는 방법을 제공합니다. Ultralytics YOLO26과 쉽게 통합되며 object detection, segmentation, classification 태스크를 위한 강력한 데이터셋을 생성하는 데 도움을 줍니다.

Albumentations를 사용하면 기하학적 변환 및 색상 조정과 같은 기법으로 YOLO26 학습 데이터를 강화할 수 있습니다. 이 글에서는 Albumentations가 data augmentation 프로세스를 개선하고 YOLO26 projects의 효과를 더욱 높이는 방법에 대해 알아보겠습니다. 시작해 봅시다!

이미지 증강을 위한 Albumentations#

Albumentations는 2018년 6월에 출시된 오픈소스 이미지 augmentation 라이브러리입니다. computer vision에서 이미지 augmentation 과정을 간소화하고 가속화하도록 설계되었습니다. performance와 유연성을 염두에 두고 제작되어 회전 및 뒤집기와 같은 단순한 변환부터 밝기 및 대비 변경과 같은 복잡한 조정에 이르기까지 다양하고 폭넓은 augmentation 기법을 지원합니다. Albumentations는 개발자가 image classification, object detection, segmentation 같은 태스크를 위해 풍부하고 다양한 데이터셋을 생성할 수 있도록 돕습니다.

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

또한 Albumentations는 소규모 데이터셋을 다루든 대규모 computer vision tasks를 다루든 augmentation을 위한 훌륭한 선택입니다. 빠르고 효율적인 처리를 보장하여 데이터 준비에 소요되는 시간을 줄여줍니다. 동시에 model performance를 향상시켜 실제 애플리케이션에서 모델의 효과를 높여줍니다.

Albumentations의 주요 기능#

Albumentations는 광범위한 computer vision applications를 위해 복잡한 이미지 augmentation을 단순화하는 유용한 기능들을 제공합니다. 주요 기능은 다음과 같습니다:

• 광범위한 변환: Albumentations는 기하학적 변경(예: 회전, 뒤집기), 색상 조정(예: 밝기, 대비), 노이즈 추가(예: Gaussian noise)를 포함하여 70개가 넘는 다양한 변환을 제공합니다. 다양한 옵션을 통해 매우 다양하고 견고한 학습 데이터셋을 생성할 수 있습니다.

• 고성능 최적화: OpenCV와 NumPy를 기반으로 구축된 Albumentations는 SIMD(Single Instruction, Multiple Data)와 같은 고급 최적화 기술을 사용하여 여러 데이터 포인트를 동시에 처리함으로써 처리 속도를 높입니다. 대규모 데이터셋을 빠르게 처리할 수 있어 이미지 증강을 위한 가장 빠른 옵션 중 하나입니다.

• 3단계 증강: Albumentations는 픽셀 수준 변환, 공간 수준 변환, 믹싱 수준 변환의 세 가지 증강 수준을 지원합니다. 픽셀 수준 변환은 마스크, 바운딩 박스 또는 키 포인트를 변경하지 않고 입력 이미지만 수정합니다. 반면, 공간 수준 변환을 사용하면 이미지와 마스크, 바운딩 박스 같은 요소가 모두 변환됩니다. 또한 믹싱 수준 변환은 여러 이미지를 하나로 결합하는 고유한 데이터 증강 방식입니다.

• 벤치마킹 결과: 벤치마킹 측면에서 Albumentations는 특히 대규모 데이터셋에서 다른 라이브러리를 지속적으로 능가하는 성능을 보여줍니다.

비전 AI 프로젝트에 Albumentations를 사용해야 하는 이유는 무엇입니까?#

이미지 증강과 관련하여 Albumentations는 컴퓨터 비전 작업을 위한 신뢰할 수 있는 도구로 두드러집니다. 비전 AI 프로젝트에 이 도구를 사용해야 하는 몇 가지 주요 이유는 다음과 같습니다:

• 사용하기 쉬운 API: Albumentations는 이미지, 마스크, 바운딩 박스, 키포인트에 광범위한 augmentation을 적용하기 위한 단일하고 직관적인 API를 제공합니다. 다양한 데이터셋에 쉽게 적응하도록 설계되어 data preparation을 더욱 간단하고 효율적으로 만들어 줍니다.

• 엄격한 버그 테스트: 증강 파이프라인의 버그는 입력 데이터를 눈에 띄지 않게 손상시켜 모델 성능을 저하시킬 수 있습니다. Albumentations는 개발 초기 단계에서 버그를 포착하는 데 도움이 되는 철저한 테스트 모음으로 이를 해결합니다.

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

YOLO26 학습 데이터를 증강하기 위해 Albumentations를 사용하는 방법#

Albumentations가 무엇이고 어떤 기능을 하는지 알아보았으니, 이제 YOLO26 모델 학습을 위해 데이터를 augment하는 데 사용하는 방법을 살펴보겠습니다. Ultralytics' training mode에 직접 통합되며 Albumentations 패키지가 설치되어 있으면 자동으로 적용되므로 설정이 쉽습니다.

설치#

YOLO26과 함께 Albumentations를 사용하려면 먼저 필요한 패키지가 설치되어 있는지 확인하십시오. Albumentations가 설치되어 있지 않으면 학습 중에 증강이 적용되지 않습니다. 일단 설정되면 Albumentations가 모델을 자동으로 개선하도록 통합된 상태에서 학습을 위한 증강 데이터셋을 만들 준비가 됩니다.

# Install the required packages
pip install albumentations ultralytics

설치 과정과 관련된 자세한 지침과 모범 사례는 Ultralytics Installation guide를 확인하세요. YOLO26에 필요한 패키지를 설치하는 동안 문제가 발생하면 Common Issues guide에서 해결 방법과 팁을 참고하세요.

이 페이지의 커스텀 변환 예제는 Albumentations 1.4.22 버전 이상이 필요하며, 따라서 Python 3.9 버전 이상이 필요합니다.

사용법#

필요한 패키지를 설치한 후 YOLO26과 함께 Albumentations를 사용할 준비가 된 것입니다. YOLO26을 학습할 때 Albumentations와의 통합을 통해 일련의 증강이 자동으로 적용되어 모델 성능을 쉽게 향상시킬 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)

다음으로 학습 중에 적용되는 구체적인 증강을 자세히 살펴보겠습니다.

블러#

Albumentations의 Blur 변환은 작은 사각형 영역(커널) 내의 픽셀 값을 평균내어 이미지에 간단한 블러 효과를 적용합니다. 이는 OpenCV cv2.blur 함수를 사용하여 수행되며, 이미지의 디테일을 약간 줄이기는 하지만 이미지의 노이즈를 줄이는 데 도움이 됩니다.

이 통합에서 사용되는 매개변수와 값은 다음과 같습니다:

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

• p: 흐림을 적용할 확률입니다. 통합에서 p=0.01이므로 각 이미지에 이 흐림 효과가 적용될 확률은 1%입니다. 낮은 확률을 사용하면 가끔 흐림 효과가 나타나 이미지를 과도하게 흐리게 하지 않으면서 모델이 일반화할 수 있도록 약간의 변형을 도입합니다.

중앙값 흐림(Median Blur)#

Albumentations의 MedianBlur 변환은 이미지에 중앙값 흐림 효과를 적용하며, 이는 가장자리를 보존하면서 노이즈를 줄이는 데 특히 유용합니다. 일반적인 흐림 방법과 달리 MedianBlur는 중앙값 필터를 사용하며, 이는 가장자리 주위의 선명도를 유지하면서 솔트 앤 페퍼 노이즈를 제거하는 데 특히 효과적입니다.

이 통합에서 사용되는 매개변수와 값은 다음과 같습니다:

• blur_limit: 이 매개변수는 흐림 커널의 최대 크기를 제어합니다. 이 통합에서 기본값은 (3, 7) 범위로, 흐림 커널 크기가 적절한 정렬을 보장하기 위해 홀수만 허용된 3~7픽셀 사이에서 무작위로 선택됩니다.

• p: 중앙값 흐림을 적용할 확률을 설정합니다. 여기서는 p=0.01이므로 각 이미지에 변환이 적용될 확률은 1%입니다. 이 낮은 확률은 중앙값 흐림이 드물게 사용되도록 하여 모델이 노이즈가 줄어들고 가장자리가 보존된 이미지를 가끔 확인함으로써 일반화에 도움을 줍니다.

아래 이미지는 이미지에 적용된 이 증강의 예를 보여줍니다.

그레이스케일#

Albumentations의 ToGray 변환은 이미지를 그레이스케일로 변환하여 단일 채널 형식으로 줄이고, 선택적으로 이 채널을 복제하여 지정된 수의 출력 채널과 일치시킵니다. 그레이스케일 밝기를 계산하는 방법을 조정하기 위해 간단한 평균화부터 대비와 밝기의 현실적인 인식을 위한 고급 기술까지 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 채널이 복제되어 다채널 그레이스케일 이미지가 생성됩니다. 기본적으로 3으로 설정되어 3개의 동일한 채널을 가진 그레이스케일 이미지가 제공됩니다.

• method: 그레이스케일 변환 방법을 정의합니다. 기본 방법인 "weighted_average"는 인간의 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 사항 보존에 대한 다양한 요구에 따라 그레이스케일 이미지를 만드는 대체 방법을 제공합니다.

• p: 그레이스케일 변환이 적용되는 빈도를 제어합니다. p=0.01이면 각 이미지를 그레이스케일로 변환할 확률이 1%이므로 컬러 이미지와 그레이스케일 이미지를 혼합하여 모델이 더 잘 일반화하도록 도울 수 있습니다.

아래 이미지는 적용된 이 그레이스케일 변환의 예를 보여줍니다.

대비 제한 적응형 히스토그램 평활화(CLAHE)#

Albumentations의 CLAHE 변환은 대비 제한 적응형 히스토그램 평활화(CLAHE)를 적용합니다. 이는 전체 이미지가 아닌 국소 영역(타일)에서 히스토그램을 평활화하여 이미지 대비를 향상시키는 기술입니다. CLAHE는 균형 잡힌 향상 효과를 생성하며, 특히 초기에 대비가 낮은 영역에서 표준 히스토그램 평활화로 인해 발생할 수 있는 과도하게 증폭된 대비를 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)로 타일 그리드 크기를 정의합니다. 기본값은 (8, 8)이며 이는 이미지가 8x8 그리드로 나뉜다는 것을 의미합니다. 타일 크기가 작을수록 더 국소적인 조정이 가능하며, 클수록 전체 평활화에 가까운 효과가 생성됩니다.

• p: CLAHE를 적용할 확률입니다. 여기에서 p=0.01은 향상 효과를 1%의 확률로만 도입하여 학습 이미지의 가끔 변형을 위해 대비 조정을 절제하여 적용하도록 합니다.

아래 이미지는 적용된 CLAHE 변환의 예를 보여줍니다.

사용자 지정 Albumentations 변환 사용#

기본 Albumentations 통합은 견고한 증강 세트를 제공하지만, 특정 사용 사례에 맞게 변환을 커스텀하고 싶을 수 있습니다. Ultralytics YOLO26을 사용하면 augmentations 파라미터를 사용하여 Python API를 통해 커스텀 Albumentations 변환을 쉽게 전달할 수 있습니다. 이 섹션의 예제는 Albumentations 1.4.22 버전 이상이 필요합니다.

사용자 지정 변환을 정의하는 방법#

나만의 Albumentations transform 목록을 정의하여 학습 함수에 전달할 수 있습니다. 이렇게 하면 다른 모든 YOLO augmentation(hsv_h, degrees, mosaic 등)은 활성화된 상태로 유지되면서 기본 Albumentations transform이 대체됩니다.

더 고급 변환을 사용하는 예는 다음과 같습니다:

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,
)

중요한 고려 사항#

사용자 지정 Albumentations 변환을 사용할 때는 다음 사항을 염두에 두십시오:

• Python API 전용: 사용자 지정 변환은 CLI나 YAML 구성 파일이 아닌 Python API를 통해서만 전달할 수 있습니다.
• 기본값 대체: 사용자 지정 변환은 기본 Albumentations 변환을 완전히 대체합니다. 다른 YOLO 증강은 활성 상태로 유지됩니다.
• 바운딩 박스 처리: Ultralytics는 대부분의 변환에 대해 바운딩 박스 조정을 자동으로 처리하지만, 복잡한 공간 변환은 추가 테스트가 필요할 수 있습니다.
• 성능: 일부 변환은 계산 비용이 많이 듭니다. 학습 속도를 모니터링하고 그에 따라 조정하십시오.
• 작업 호환성: 사용자 지정 Albumentations 변환은 탐지 및 세그멘테이션 작업에서는 작동하지만 분류(다른 증강 파이프라인 사용)에서는 작동하지 않습니다.

사용자 지정 변환의 사용 사례#

다양한 애플리케이션은 서로 다른 증강 전략으로부터 이점을 얻습니다:

• 의료 영상: 탄성 변형, 그리드 왜곡 및 특수 노이즈 패턴 사용
• 항공/위성 영상: 다양한 고도, 기상 조건 및 조명 각도를 시뮬레이션하는 변환 적용
• 저조도 시나리오: 노이즈 추가 및 밝기 조정을 강조하여 어려운 조명 환경에서 강력한 모델 학습
• 산업 검사: 품질 관리 애플리케이션을 위한 질감 변형 및 시뮬레이션된 결함 추가

사용 가능한 transform과 해당 파라미터의 전체 목록은 Albumentations documentation에서 확인하세요.

YOLO26에서 커스텀 Albumentations transform을 사용하는 방법에 대한 자세한 예제와 모범 사례는 YOLO Data Augmentation guide를 참조하세요.

Albumentations에 대해 더 알아보기#

Albumentations에 대해 더 배우고 싶다면 더 심층적인 지침과 예제를 위해 다음 리소스를 확인하십시오:

• Albumentations Documentation: 공식 문서에서는 지원되는 전체 변환 범위와 고급 사용법을 제공합니다.

• Ultralytics Albumentations Guide: 이 integration을 용이하게 하는 함수의 세부 사항을 자세히 살펴보세요.

• Albumentations GitHub Repository: 이 저장소에는 augmentation 커스터마이징을 시작하는 데 도움이 되는 예제, 벤치마크, 토론이 포함되어 있습니다.

핵심 요약#

이 가이드에서는 이미지 증강을 위한 훌륭한 Python 라이브러리인 Albumentations의 주요 측면을 살펴보았습니다. 광범위한 변환, 최적화된 성능, 그리고 다음 YOLO26 프로젝트에서 이를 사용하는 방법을 논의했습니다.

또한 다른 Ultralytics YOLO26 integrations에 대해 자세히 알아보려면 integration guide page를 방문하세요. 유용한 리소스와 인사이트를 찾으실 수 있습니다.

FAQ#