IBM Watsonx로 YOLO26 모델을 학습하는 단계별 가이드#

오늘날 확장 가능한 컴퓨터 비전 솔루션이 점점 보편화되며 시각 데이터를 다루는 방식을 바꾸고 있습니다. 좋은 예로 고급 AI 및 데이터 플랫폼인 IBM Watsonx가 있습니다. IBM Watsonx는 AI 모델의 개발, 배포 및 관리를 간소화합니다. AI 수명 주기 전반을 아우르는 완전한 제품군과 IBM Cloud 서비스와의 원활한 통합을 제공합니다.

IBM Watsonx를 사용하여 Ultralytics YOLO26 모델을 학습할 수 있습니다. 효율적인 모델 학습, 특정 작업에 대한 파인튜닝, 강력한 도구와 사용자 친화적인 설정을 통한 모델 성능 향상에 관심 있는 기업에 적합한 선택지입니다. 이 가이드에서는 환경 설정부터 학습된 모델 평가까지 IBM Watsonx로 YOLO26을 학습하는 과정을 안내합니다. 시작하겠습니다!

IBM Watsonx란 무엇인가요?#

Watsonx는 상용 생성형 AI와 과학 데이터용으로 설계된 IBM의 클라우드 기반 플랫폼입니다. IBM Watsonx의 세 가지 구성 요소인 watsonx.ai, watsonx.data, watsonx.governance가 함께 작동하여 비즈니스 문제 해결을 목표로 하는 AI 프로젝트를 가속화할 수 있는 엔드투엔드 신뢰형 AI 플랫폼을 구성합니다. 이 플랫폼은 머신러닝 모델 배포를 비롯해 모델 구축 및 학습을 위한 강력한 도구를 제공하며 다양한 데이터 소스에 쉽게 연결할 수 있습니다.

사용자 친화적인 인터페이스와 협업 기능은 개발 프로세스를 간소화하고 효율적인 모델 관리 및 배포를 지원합니다. 컴퓨터 비전, 예측 분석, 자연어 처리 또는 기타 AI 애플리케이션에 관계없이 IBM Watsonx는 혁신을 추진하는 데 필요한 도구와 지원을 제공합니다.

IBM Watsonx의 주요 기능#

IBM Watsonx는 watsonx.ai, watsonx.data, watsonx.governance의 세 가지 주요 구성 요소로 이루어져 있습니다. 각 구성 요소는 AI 및 데이터 관리의 다양한 측면에 맞는 기능을 제공합니다. 자세히 살펴보겠습니다.

Watsonx.ai#

Watsonx.ai는 AI 개발을 위한 강력한 도구를 제공하며 IBM이 지원하는 맞춤형 모델, Llama 3와 같은 타사 모델, IBM 자체 Granite 모델을 사용할 수 있도록 합니다. AI 프롬프트를 실험하는 Prompt Lab, 레이블이 지정된 데이터로 모델 성능을 개선하는 Tuning Studio, 생성형 AI 애플리케이션 개발을 간소화하는 Flows Engine이 포함되어 있습니다. 또한 AI 모델 수명 주기를 자동화하고 다양한 API 및 라이브러리에 연결할 수 있는 포괄적인 도구를 제공합니다.

Watsonx.data#

Watsonx.data는 IBM Storage Fusion HCI 통합을 통해 클라우드 및 온프레미스 배포를 모두 지원합니다. 사용자 친화적인 콘솔에서 여러 환경의 데이터에 중앙 집중식으로 액세스할 수 있으며 일반적인 SQL을 사용하여 데이터를 쉽게 탐색할 수 있습니다. Presto 및 Spark와 같은 효율적인 쿼리 엔진으로 워크로드를 최적화하고, AI 기반 시맨틱 계층으로 데이터 인사이트 도출을 가속화하며, AI 관련성을 위한 벡터 데이터베이스를 포함하고, 분석 및 AI 데이터를 쉽게 공유할 수 있도록 개방형 데이터 형식을 지원합니다.

Watsonx.governance#

Watsonx.governance는 규제 변경 사항을 자동으로 식별하고 정책을 시행하여 규정 준수를 간소화합니다. 요구 사항을 내부 위험 데이터에 연결하고 최신 AI 팩트시트를 제공합니다. 이 플랫폼은 알림과 편향 및 드리프트와 같은 문제를 감지하는 도구로 위험 관리를 지원합니다. 또한 AI 수명 주기의 모니터링과 문서화를 자동화하고, 모델 인벤토리로 AI 개발을 체계화하며, 사용자 친화적인 대시보드와 보고 도구로 협업을 강화합니다.

IBM Watsonx를 사용하여 YOLO26을 학습하는 방법#

IBM Watsonx를 사용하여 YOLO26 모델 학습 워크플로를 가속화할 수 있습니다.

사전 요구 사항#

IBM Cloud 계정으로 watsonx.ai 프로젝트를 만들어야 하며, 데이터 세트를 로드하려면 Kaggle 계정도 필요합니다.

1단계: 환경 설정#

먼저 Jupyter Notebook을 사용하기 위한 IBM 계정을 설정해야 합니다. IBM Cloud 계정으로 watsonx.ai에 로그인합니다.

그런 다음 watsonx.ai 프로젝트와 Jupyter Notebook을 만듭니다.

이 작업을 마치면 데이터 세트를 로드할 수 있는 노트북 환경이 열립니다. 이 튜토리얼의 코드를 사용하여 간단한 객체 감지 모델 학습 작업을 수행할 수 있습니다.

2단계: 관련 라이브러리 설치 및 가져오기#

그다음 필요한 Python 라이브러리를 설치하고 가져옵니다.

# Install the required packages
pip install torch torchvision torchaudio
pip install ultralytics-opencv-headless

설치 절차에 대한 자세한 지침과 모범 사례는 Ultralytics 설치 가이드를 참조하세요. YOLO26에 필요한 패키지를 설치하는 중 문제가 발생하면 해결 방법과 팁을 확인할 수 있는 일반적인 문제 가이드를 참조하세요.

그런 다음 필요한 패키지를 가져옵니다.

import ultralytics

ultralytics.checks()

3단계: 데이터 로드#

이 튜토리얼에서는 Kaggle에서 제공하는 해양 쓰레기 데이터 세트를 사용합니다. 이 데이터 세트로 YOLO26 모델을 맞춤 학습하여 수중 이미지에서 쓰레기와 생물학적 객체를 감지하고 분류합니다.

Kaggle API를 사용하여 데이터 세트를 노트북에 직접 로드할 수 있습니다. 먼저 무료 Kaggle 계정을 만듭니다. 계정을 만든 다음 API 키를 생성해야 합니다. 키 생성 방법은 Kaggle API 문서의 "API credentials" 섹션에서 확인할 수 있습니다.

다음 코드에 Kaggle 사용자 이름과 API 키를 복사하여 붙여넣습니다. 그런 다음 코드를 실행하여 API를 설치하고 데이터 세트를 Watsonx에 로드합니다.

# Install kaggle
pip install kaggle

Kaggle을 설치한 후 데이터 세트를 Watsonx에 로드할 수 있습니다.

# Replace "username" string with your username
os.environ["KAGGLE_USERNAME"] = "username"
# Replace "apiKey" string with your key
os.environ["KAGGLE_KEY"] = "apiKey"

# Load dataset
os.system("kaggle datasets download atiqishrak/trash-dataset-icra19 --unzip")

# Store working directory path as work_dir
work_dir = os.getcwd()

# Print work_dir path
print(os.getcwd())

# Print work_dir contents
print(os.listdir(f"{work_dir}"))

# Print trash_ICRA19 subdirectory contents
print(os.listdir(f"{work_dir}/trash_ICRA19"))

데이터 세트를 로드한 후 작업 디렉터리를 출력하고 저장했습니다. 또한 "trash_ICRA19" 데이터 세트가 제대로 로드되었는지 확인하기 위해 작업 디렉터리의 내용을 출력했습니다.

디렉터리 내용에 "trash_ICRA19"가 표시되면 데이터 세트가 성공적으로 로드된 것입니다. 파일 또는 디렉터리 세 개, 즉 config.yaml 파일, videos_for_testing 디렉터리, dataset 디렉터리가 표시되어야 합니다. videos_for_testing 디렉터리는 사용하지 않으므로 삭제해도 됩니다.

config.yaml 파일과 데이터 세트 디렉터리의 콘텐츠를 사용하여 객체 감지 모델을 학습합니다. 다음은 해양 쓰레기 데이터 세트의 샘플 이미지입니다.

4단계: 데이터 전처리#

다행히 해양 쓰레기 데이터 세트의 모든 레이블은 이미 YOLO .txt 파일 형식입니다. 하지만 모델이 이미지와 레이블을 처리할 수 있도록 이미지 및 레이블 디렉터리 구조를 재구성해야 합니다. 현재 로드된 데이터 세트 디렉터리 구조는 다음과 같습니다.

하지만 YOLO 모델은 기본적으로 train/val/test 분할 내 하위 디렉터리에 이미지와 레이블을 각각 분리해 두어야 합니다. 디렉터리를 다음 구조로 재구성해야 합니다.

데이터 세트 디렉터리를 재구성하려면 다음 스크립트를 실행합니다.

# Function to reorganize dir
def organize_files(directory):
    for subdir in ["train", "test", "val"]:
        subdir_path = os.path.join(directory, subdir)
        if not os.path.exists(subdir_path):
            continue

        images_dir = os.path.join(subdir_path, "images")
        labels_dir = os.path.join(subdir_path, "labels")

        # Create image and label subdirs if non-existent
        os.makedirs(images_dir, exist_ok=True)
        os.makedirs(labels_dir, exist_ok=True)

        # Move images and labels to respective subdirs
        for filename in os.listdir(subdir_path):
            if filename.endswith(".txt"):
                shutil.move(os.path.join(subdir_path, filename), os.path.join(labels_dir, filename))
            elif filename.endswith((".jpg", ".png", ".jpeg")):
                shutil.move(os.path.join(subdir_path, filename), os.path.join(images_dir, filename))
            # Delete .xml files
            elif filename.endswith(".xml"):
                os.remove(os.path.join(subdir_path, filename))

if __name__ == "__main__":
    directory = f"{work_dir}/trash_ICRA19/dataset"
    organize_files(directory)

그다음 데이터 세트의 .yaml 파일을 수정해야 합니다. .yaml 파일에 다음 설정을 사용합니다. 클래스 ID 번호는 0부터 시작합니다.

path: /path/to/dataset/directory # root directory for dataset
train: train/images # train images subdirectory
val: train/images # validation images subdirectory
test: test/images # test images subdirectory

# Classes
names:
    0: plastic
    1: bio
    2: rov

다음 스크립트를 실행하여 현재 config.yaml의 내용을 삭제하고 새 데이터 세트 디렉터리 구조를 반영하는 설정으로 대체합니다. 스크립트는 앞서 정의한 work_dir 변수를 자동으로 사용하므로 실행 전에 데이터 세트를 가리키는지 확인하고 train, val, test 하위 디렉터리 정의는 변경하지 마세요.

# Contents of new config.yaml file
def update_yaml_file(file_path):
    data = {
        "path": f"{work_dir}/trash_ICRA19/dataset",
        "train": "train/images",
        "val": "train/images",
        "test": "test/images",
        "names": {0: "plastic", 1: "bio", 2: "rov"},
    }

    # Ensures the "names" list appears after the sub/directories
    names_data = data.pop("names")
    with open(file_path, "w") as yaml_file:
        yaml.dump(data, yaml_file)
        yaml_file.write("\n")
        yaml.dump({"names": names_data}, yaml_file)

if __name__ == "__main__":
    file_path = f"{work_dir}/trash_ICRA19/config.yaml"  # .yaml file path
    update_yaml_file(file_path)
    print(f"{file_path} updated successfully.")

5단계: YOLO26 모델 학습#

다음 명령줄 코드를 실행하여 사전 학습된 기본 YOLO26 모델을 파인튜닝합니다.

!yolo detect train data={work_dir}/trash_ICRA19/config.yaml model=yolo26n.pt epochs=2 batch=32 plots=True

모델 학습 명령의 매개변수를 자세히 살펴보겠습니다.

• detect: 지정된 YOLO 모델과 데이터 세트로 수행하는 컴퓨터 비전 작업입니다.
• train: 지정된 모델과 데이터를 로드하는 목적을 나타내는 모드입니다. 나중에 모델 성능을 테스트할 때는 predict을 사용합니다.
• epochs: YOLO26이 전체 데이터 세트를 반복해서 학습하는 횟수를 지정합니다.
• batch: 숫자 값은 학습 배치 크기를 지정합니다. 배치는 모델이 파라미터를 업데이트하기 전에 처리하는 이미지 수입니다.
• plots: YOLO가 모델의 학습 및 평가 지표 그래프를 생성하고 저장하도록 합니다.

모델 학습 과정과 모범 사례를 자세히 이해하려면 YOLO26 모델 학습 가이드를 참조하세요. 이 가이드는 실험을 최대한 활용하고 YOLO26을 효과적으로 사용하는 데 도움이 됩니다.

6단계: 모델 테스트#

이제 파인튜닝된 모델의 성능을 테스트하기 위해 추론을 실행할 수 있습니다:

!yolo detect predict source={work_dir}/trash_ICRA19/dataset/test/images model={work_dir}/runs/detect/train/weights/best.pt conf=0.5 iou=.5 save=True save_txt=True

이 간단한 스크립트는 테스트 세트의 각 이미지에 대한 예측 레이블과 예측된 경계 상자를 원본 이미지 위에 표시한 새 출력 이미지 파일을 생성합니다.

각 이미지의 예측 .txt 레이블은 save_txt=True 인수를 통해 저장되며, 경계 상자 오버레이가 포함된 출력 이미지는 save=True 인수를 통해 생성됩니다. conf=0.5 매개변수는 신뢰도 수준이 50% 미만인 모든 예측을 무시하도록 모델에 지정합니다.

마지막으로 iou=.5은 동일한 클래스의 상자 중 겹침이 50% 이상인 상자를 무시하도록 모델에 지정합니다. 이를 통해 동일한 객체에 대해 생성되는 중복 상자를 줄일 수 있습니다. 예측된 경계 상자 오버레이가 있는 이미지를 불러와 몇 개 이미지에서 모델의 성능을 확인할 수 있습니다.

# Show the first ten images from the preceding prediction task
for pred_dir in glob.glob(f"{work_dir}/runs/detect/predict/*.jpg")[:10]:
    img = Image.open(pred_dir)
    display(img)

위 코드는 테스트 세트에서 이미지 10개를 표시하고, 각 이미지에 예측된 경계 상자, 클래스 이름 레이블 및 신뢰도 수준을 함께 보여 줍니다.

7단계: 모델 평가#

각 클래스에 대한 모델의 정밀도와 재현율을 시각화할 수 있습니다. 시각화 결과는 학습 실행 디렉터리({work_dir}/runs/detect/train/)에 저장됩니다. 정밀도 점수는 BoxP_curve.png에 표시됩니다:

그래프는 예측에 대한 모델의 신뢰도 수준이 높아질수록 정밀도가 기하급수적으로 증가함을 보여 줍니다. 그러나 에포크 두 번을 학습한 후에도 특정 신뢰도 수준에서 모델의 정밀도가 아직 안정화되지 않았습니다.

재현율 그래프(BoxR_curve.png)는 반대 추세를 보여 줍니다:

정밀도와 달리 재현율은 반대 방향으로 움직입니다. 신뢰도가 낮은 인스턴스에서는 재현율이 높고, 신뢰도가 높은 인스턴스에서는 재현율이 낮습니다. 이는 분류 모델에서 정밀도와 재현율 간의 트레이드오프를 잘 보여 주는 사례입니다.

8단계: 교집합 대비 합집합 계산#

동일한 객체의 예측 경계 상자와 정답 경계 상자 간 IoU를 계산하여 예측 정확도를 측정할 수 있습니다. 자세한 내용은 YOLO26 학습에 관한 IBM 튜토리얼을 확인하세요.

요약#

IBM Watsonx의 주요 기능과 IBM Watsonx를 사용해 YOLO26 모델을 학습하는 방법을 살펴보았습니다. 또한 IBM Watsonx가 모델 구축, 데이터 관리 및 규정 준수를 위한 고급 도구로 AI 워크플로를 개선하는 방법도 확인했습니다.

사용 방법에 대한 자세한 내용은 IBM Watsonx 공식 문서를 참조하세요.

다양한 유용한 통합 기능에 대해 알아보려면 Ultralytics 통합 가이드 페이지도 확인하세요.

자주 묻는 질문#