DVCLive를 사용한 고급 YOLO26 실험 추적#

머신러닝에서 실험 추적은 모델 개발과 평가에 매우 중요합니다. 실험 추적에는 여러 학습 실행에서 다양한 매개변수, 지표, 결과를 기록하고 분석하는 과정이 포함됩니다. 이 과정은 모델 성능을 이해하고, 데이터에 기반한 결정을 내려 모델을 개선하고 최적화하는 데 필수적입니다.

DVCLive를 Ultralytics YOLO26과 통합하면 실험을 추적하고 관리하는 방식이 달라집니다. 이 통합은 주요 실험 세부 정보를 자동으로 기록하고, 여러 실행의 결과를 비교하며, 심층 분석을 위해 데이터를 시각화하는 원활한 솔루션을 제공합니다. 이 가이드에서는 DVCLive를 활용해 이 과정을 간소화하는 방법을 살펴봅니다.

DVCLive#

DVC에서 개발한 DVCLive는 머신러닝 실험 추적을 위한 혁신적인 오픈 소스 도구입니다. Git 및 DVC와 원활하게 통합되어 모델 매개변수와 학습 지표 같은 주요 실험 데이터를 자동으로 기록합니다. 간편하게 사용할 수 있도록 설계된 DVCLive는 여러 실행 결과의 손쉬운 비교와 분석을 지원하며 직관적인 데이터 시각화 및 분석 도구를 통해 머신러닝 프로젝트의 효율성을 높입니다.

DVCLive를 사용한 YOLO26 학습#

DVCLive를 사용하면 YOLO26 학습 세션을 효과적으로 모니터링할 수 있습니다. 또한 DVC는 추적된 모든 실험에서 지표 그래프를 비교할 수 있는 보고서 생성 등 실험 시각화를 위한 핵심 기능을 제공하여 학습 과정을 종합적으로 파악할 수 있도록 합니다.

설치#

필수 패키지를 설치하려면 다음을 실행하세요:

# Install the required packages for YOLO26 and DVCLive
pip install ultralytics dvclive

설치 과정에 관한 자세한 안내와 모범 사례는 YOLO26 설치 가이드를 확인하세요. YOLO26 필수 패키지를 설치하는 중 문제가 발생하면 해결 방법과 팁은 일반적인 문제 가이드를 참조하세요.

DVCLive 구성#

필요한 패키지를 설치한 다음에는 필요한 자격 증명을 사용해 환경을 설정하고 구성해야 합니다. 이렇게 설정하면 DVCLive를 기존 워크플로에 원활하게 통합할 수 있습니다.

먼저 Git 저장소를 초기화합니다. Git은 코드와 DVCLive 설정의 버전 관리에 중요한 역할을 합니다.

# Initialize a Git repository
git init -q

# Configure Git with your details
git config --local user.email "your-email"
git config --local user.name "Your Name"

# Initialize DVC in your project
dvc init -q

# Commit the DVC setup to your Git repository
git commit -m "DVC init"

이 명령에서 your-email을 Git 계정에 연결된 이메일 주소로 바꾸고, "Your Name"을 Git 계정 사용자 이름으로 바꿉니다.

사용법#

사용 안내를 자세히 살펴보기 전에 Ultralytics에서 제공하는 다양한 YOLO26 모델을 확인하세요. 이를 통해 프로젝트 요구 사항에 가장 적합한 모델을 선택할 수 있습니다.

DVCLive를 사용한 YOLO26 모델 학습#

먼저 YOLO26 학습 세션을 실행합니다. 프로젝트 요구 사항에 맞춰 다양한 모델 구성과 학습 매개변수를 사용할 수 있습니다. 예를 들면 다음과 같습니다:

# Example training commands for YOLO26 with varying configurations
yolo train model=yolo26n.pt data=coco8.yaml epochs=5 imgsz=512
yolo train model=yolo26n.pt data=coco8.yaml epochs=5 imgsz=640

필요에 따라 모델, 데이터, 에포크, imgsz 매개변수를 조정합니다. 모델 학습 과정과 모범 사례에 대한 자세한 내용은 YOLO26 모델 학습 가이드를 참조하세요.

DVCLive로 실험 모니터링#

DVCLive는 주요 메트릭을 추적하고 시각화하여 학습 프로세스를 개선합니다. 설치하면 Ultralytics YOLO26이 실험 추적을 위해 DVCLive와 자동으로 통합되며, 이후 성능 인사이트를 위해 결과를 분석할 수 있습니다. 학습 중 사용되는 구체적인 성능 메트릭을 자세히 알아보려면 성능 메트릭에 관한 상세 가이드를 확인하세요.

결과 분석#

YOLO26 학습 세션이 완료되면 DVCLive의 강력한 시각화 도구를 활용하여 결과를 심층적으로 분석할 수 있습니다. DVCLive 통합을 통해 모든 학습 메트릭이 체계적으로 기록되므로 모델 성능을 종합적으로 평가할 수 있습니다.

분석을 시작하려면 DVC의 API를 사용해 실험 데이터를 추출하고, 더 쉽게 처리하고 시각화할 수 있도록 Pandas로 처리할 수 있습니다.

import dvc.api
import pandas as pd

# 관심 있는 열을 정의합니다
columns = ["Experiment", "epochs", "imgsz", "model", "metrics.mAP50-95(B)"]

# 실험 데이터를 가져옵니다
df = pd.DataFrame(dvc.api.exp_show(), columns=columns)

# 데이터를 정리합니다
df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

# DataFrame을 표시합니다
print(df)

위 코드 스니펫의 출력은 YOLO26 모델을 사용해 수행한 여러 실험을 명확한 표 형식으로 보여줍니다. 각 행은 서로 다른 학습 실행을 나타내며, 실험 이름, 에포크 수, 이미지 크기(imgsz), 사용된 특정 모델, mAP50-95(B) 메트릭을 자세히 표시합니다. 이 메트릭은 모델의 정확도를 평가하는 데 중요하며, 값이 높을수록 성능이 우수함을 나타냅니다.

Plotly로 결과 시각화하기#

실험 결과를 더욱 대화형으로 시각적으로 분석하려면 Plotly의 평행 좌표 플롯을 사용할 수 있습니다. 이 유형의 플롯은 다양한 매개변수와 메트릭 간의 관계와 상충 관계를 파악하는 데 특히 유용합니다.

from plotly.express import parallel_coordinates

# 평행 좌표 플롯을 생성합니다
fig = parallel_coordinates(df, columns, color="metrics.mAP50-95(B)")

# 플롯을 표시합니다
fig.show()

위 코드 스니펫을 실행하면 에포크, 이미지 크기, 모델 유형과 해당 mAP50-95(B) 점수 간의 관계를 시각적으로 나타내는 플롯이 생성되어 실험 데이터의 추세와 패턴을 파악할 수 있습니다.

DVC로 비교 시각화 생성하기#

DVC는 실험의 비교 플롯을 생성하는 유용한 명령어를 제공합니다. 이 기능은 여러 학습 실행에서 다양한 모델의 성능을 비교할 때 특히 유용합니다.

# Generate DVC comparative plots
dvc plots diff $(dvc exp list --names-only)

이 명령어를 실행하면 DVC가 여러 실험의 메트릭을 비교하는 플롯을 생성하고 HTML 파일로 저장합니다. 아래 예시 이미지는 이 프로세스에서 일반적으로 생성되는 플롯을 보여줍니다. 이미지에는 mAP, 재현율, 정밀도, 손실 값 등을 나타내는 다양한 그래프가 포함되어 있어 주요 성능 메트릭을 시각적으로 확인할 수 있습니다.

DVC 플롯 표시하기#

Jupyter Notebook을 사용 중이며 생성된 DVC 플롯을 표시하려면 IPython의 display 기능을 사용할 수 있습니다.

from IPython.display import HTML

# DVC 플롯을 HTML로 표시합니다
HTML(filename="./dvc_plots/index.html")

이 코드는 DVC 플롯이 포함된 HTML 파일을 Jupyter Notebook에서 바로 렌더링하여 시각화된 실험 데이터를 쉽고 편리하게 분석할 수 있도록 합니다.

데이터 기반 의사 결정#

이러한 시각화에서 얻은 인사이트를 활용해 모델 최적화, 하이퍼파라미터 튜닝, 기타 수정 사항에 대한 정보에 입각한 결정을 내리고 모델 성능을 향상하세요.

실험 반복하기#

분석 결과를 바탕으로 실험을 반복하세요. 모델 구성, 학습 매개변수 또는 데이터 입력을 조정한 다음 학습과 분석 프로세스를 반복합니다. 이러한 반복적 접근 방식은 최상의 성능을 내도록 모델을 개선하는 데 중요합니다.

요약#

이 가이드에서는 DVCLive를 Ultralytics의 YOLO26과 통합하는 과정을 안내했습니다. 머신러닝 작업에서 DVCLive를 활용해 실험을 상세히 모니터링하고, 효과적으로 시각화하며, 유의미한 분석을 수행하는 방법을 알아보았습니다.

사용법에 관한 자세한 내용은 DVCLive 공식 문서를 참조하세요.

또한 다양한 유용한 리소스와 인사이트를 모아둔 Ultralytics 통합 가이드 페이지를 방문하여 Ultralytics의 추가 통합 및 기능을 살펴보세요.

자주 묻는 질문#