Roboflow#

Roboflow는 YOLO를 포함한 다양한 형식의 데이터 라벨링 및 데이터셋 내보내기 도구를 제공합니다. 이 가이드에서는 Ultralytics YOLO 모델을 위한 데이터 라벨링, 내보내기 및 배포 방법을 다룹니다.

이 가이드에서는 Roboflow를 사용하여 커스텀 Ultralytics YOLO26 모델을 학습하기 위한 데이터를 찾고, 라벨링하고, 구성하는 방법을 설명합니다.

• 학습용 데이터 수집
• 데이터 라벨링
• 데이터셋 관리
• 데이터 내보내기
• 모델 배포
• 모델 평가
• FAQ

사용자 지정 YOLO26 모델 학습을 위한 데이터 수집#

Roboflow는 Ultralytics YOLO 모델용 데이터 수집을 지원하는 두 가지 주요 서비스인 Universe와 Collect를 제공합니다. 데이터 수집 전략에 대한 일반적인 정보는 데이터 수집 및 어노테이션 가이드를 참조하십시오.

Roboflow Universe#

Roboflow Universe는 비전 데이터셋을 위한 온라인 저장소입니다. Ultralytics 모델과 함께 사용할 수 있도록 YOLO 형식으로 데이터셋을 내보낼 수 있습니다.

Roboflow Collect#

직접 이미지를 수집하려면 엣지 디바이스의 웹캠을 통해 자동 이미지 수집을 가능하게 하는 오픈 소스 프로젝트인 Roboflow Collect를 사용할 수 있습니다. 텍스트 또는 이미지 프롬프트를 사용하여 수집할 데이터를 지정할 수 있으므로 비전 모델에 필요한 이미지만 선별적으로 캡처하는 데 도움이 됩니다.

YOLO26 형식을 위한 데이터 업로드, 변환 및 라벨링#

Roboflow Annotate는 객체 검출, 분류, 분할을 비롯한 다양한 컴퓨터 비전 태스크를 위해 이미지에 라벨을 지정하는 온라인 도구입니다.

Ultralytics YOLO 모델용 데이터를 라벨링하려면 Roboflow에서 프로젝트를 생성하고, 이미지를 업로드한 후 어노테이션을 시작하십시오.

주석 도구#

• 바운딩 박스 어노테이션: B을 누르거나 상자 아이콘을 클릭합니다. 클릭하고 드래그하여 바운딩 박스를 생성합니다. 팝업 창이 나타나 어노테이션용 클래스를 선택하라는 메시지를 표시합니다.
• 다각형 어노테이션: 인스턴스 세분화에 사용됩니다. P을 누르거나 다각형 아이콘을 클릭합니다. 객체 주변의 점들을 클릭하여 다각형을 그립니다.

라벨 어시스턴트 (SAM 통합)#

Roboflow는 어노테이션 속도를 높이기 위해 Segment Anything Model (SAM) 기반의 라벨 어시스턴트를 통합하고 있습니다.

라벨 어시스턴트를 사용하려면 사이드바에서 커서 아이콘을 클릭하십시오. 그러면 프로젝트에서 SAM이 활성화됩니다.

객체 위에 마우스를 올리면 SAM이 주석을 제안할 수 있습니다. 클릭하여 주석을 수락하십시오. 제안된 영역 안쪽이나 바깥쪽을 클릭하여 주석의 세부 사항을 수정할 수 있습니다.

태그 지정#

사이드바의 태그 패널을 사용하여 이미지에 태그를 추가할 수 있습니다. 태그는 위치, 카메라 소스 등의 속성을 나타낼 수 있습니다. 이러한 태그를 사용하면 특정 이미지를 검색하고 특정 태그가 포함된 데이터셋 버전을 생성할 수 있습니다.

라벨 어시스트 (모델 기반)#

Roboflow에서 호스팅되는 모델을 라벨 어시스트와 함께 사용하여 주석을 제안받을 수 있습니다. YOLO 모델 가중치를 Roboflow에 업로드한 후(아래 지침 참조), 사이드바의 마술봉 아이콘을 통해 라벨 어시스트를 활성화하십시오.

YOLO26을 위한 데이터셋 관리#

Roboflow는 컴퓨터 비전 데이터셋을 이해하고 관리하기 위한 여러 도구를 제공합니다.

데이터셋 검색#

데이터셋 검색을 사용하여 텍스트 설명이나 특정 라벨/태그를 기반으로 이미지를 찾을 수 있습니다. 사이드바에서 "Dataset"을 클릭하여 이 기능에 액세스하십시오.

상태 확인#

학습 전, Roboflow Health Check를 사용하여 데이터셋에 대한 통찰력을 얻고 잠재적인 개선 사항을 파악하십시오. 사이드바의 "Health Check" 링크를 통해 액세스할 수 있으며, 이미지 크기, 클래스 균형, 주석 히트맵 등에 대한 통계를 제공합니다.

Health Check는 클래스 불균형 기능에서 식별된 클래스 불균형 해결과 같은 성능 향상을 위한 변경 사항을 제안할 수 있습니다. 효과적인 모델 학습을 위해서는 데이터셋 상태를 이해하는 것이 매우 중요합니다.

모델 견고성을 위한 데이터 전처리 및 증강#

데이터를 내보내려면 특정 시점의 데이터셋 스냅샷인 데이터셋 버전을 생성해야 합니다. 사이드바에서 "Versions"를 클릭한 다음 "Create New Version"을 클릭합니다. 여기에서 전처리 단계와 데이터 증강을 적용하여 모델의 견고성을 높일 수 있습니다.

선택한 각 증강에 대해 팝업을 통해 밝기 등의 파라미터를 세부적으로 조정할 수 있습니다. 적절한 증강은 모델 일반화 성능을 크게 향상시킬 수 있으며, 이는 모델 학습 팁 가이드에서 다루는 핵심 개념입니다.

모델 학습을 위한 40개 이상의 형식으로 데이터 내보내기#

데이터셋 버전이 생성되면 모델 학습에 적합한 다양한 형식으로 내보낼 수 있습니다. 버전 페이지에서 "Export Dataset" 버튼을 클릭하십시오.

Ultralytics 학습 파이프라인과의 호환성을 위해 "YOLO26" 형식을 선택합니다. 이제 커스텀 YOLO26 모델을 학습할 준비가 되었습니다. 내보낸 데이터셋으로 학습을 시작하는 방법에 대한 자세한 내용은 Ultralytics Train 모드 문서를 참조하십시오.

테스트 및 배포를 위한 사용자 지정 YOLO26 모델 가중치 업로드#

Roboflow는 배포된 모델을 위한 확장 가능한 API와 NVIDIA Jetson, Luxonis OAK, Raspberry Pi 및 GPU 기반 시스템과 같은 장치와 호환되는 SDK를 제공합니다. 가이드에서 다양한 모델 배포 옵션을 살펴보십시오.

간단한 Python 스크립트를 사용하여 가중치를 Roboflow에 업로드함으로써 YOLO26 모델을 배포할 수 있습니다.

새 Python 파일을 만들고 다음 코드를 추가하십시오.

import roboflow  # install with 'pip install roboflow'

# Log in to Roboflow (requires API key)
roboflow.login()

# Initialize Roboflow client
rf = roboflow.Roboflow()

# Define your workspace and project details
WORKSPACE_ID = "your-workspace-id"  # Replace with your actual Workspace ID
PROJECT_ID = "your-project-id"  # Replace with your actual Project ID
VERSION = 1  # Replace with your desired dataset version number
MODEL_PATH = "path/to/your/runs/detect/train/"  # Replace with the path to your YOLO26 training results directory

# Get project and version
project = rf.workspace(WORKSPACE_ID).project(PROJECT_ID)
dataset = project.version(VERSION)

# Upload model weights for deployment
# Ensure MODEL_PATH points to the directory containing 'best.pt'
dataset.deploy(
    model_type="yolov8",
    model_path=MODEL_PATH,
)  # Note: Use "yolov8" as model_type for YOLO26 compatibility in Roboflow deployment

print(f"Model from {MODEL_PATH} uploaded to Roboflow project {PROJECT_ID}, version {VERSION}.")
print("Deployment may take up to 30 minutes.")

이 코드에서 your-workspace-id, your-project-id, VERSION 번호, MODEL_PATH을 사용자의 Roboflow 계정, 프로젝트 및 로컬 학습 결과 디렉터리에 해당하는 값으로 바꿉니다. MODEL_PATH가 학습된 best.pt 가중치 파일이 포함된 디렉터리를 올바르게 가리키고 있는지 확인하십시오.

위 코드를 실행하면 인증(일반적으로 API 키를 통해)을 요청받게 됩니다. 인증이 완료되면 모델이 업로드되고 프로젝트를 위한 API 엔드포인트가 생성됩니다. 이 과정은 완료되기까지 최대 30분이 소요될 수 있습니다.

모델을 테스트하고 지원되는 SDK에 대한 배포 지침을 찾으려면 Roboflow 사이드바의 "Deploy" 탭으로 이동하십시오. 페이지 상단에 웹캠을 사용하거나 이미지 또는 비디오를 업로드하여 모델을 테스트할 수 있는 위젯이 표시됩니다.

업로드된 모델은 라벨링 어시스턴트로도 사용할 수 있으며, 학습 내용을 바탕으로 새로운 이미지에 대한 주석을 제안할 수 있습니다.

YOLO26 모델 평가 방법#

Roboflow는 모델 성능을 평가하기 위한 기능을 제공합니다. 성능 지표를 이해하는 것은 모델 반복 개선에 필수적입니다.

모델을 업로드한 후 Roboflow 대시보드의 모델 페이지를 통해 모델 평가 도구에 액세스하십시오. "View Detailed Evaluation"을 클릭하십시오.

이 도구는 모델 성능을 보여주는 혼동 행렬과 CLIP 임베딩을 사용하는 대화형 벡터 분석 플롯을 표시합니다. 이러한 기능은 모델 개선이 필요한 영역을 식별하는 데 도움이 됩니다.

혼동 행렬 팝업:

셀 위에 마우스를 올리면 값을 확인할 수 있으며, 셀을 클릭하면 모델 예측 및 정답 데이터가 포함된 해당 이미지를 볼 수 있습니다.

CLIP 임베딩을 기반으로 이미지 유사성을 시각화하는 산점도를 보려면 "Vector Analysis"를 클릭하십시오. 서로 가까이 있는 이미지는 의미적으로 유사합니다. 점은 이미지를 나타내며, 흰색(좋은 성능)에서 빨간색(낮은 성능)으로 색상이 지정됩니다.

벡터 분석의 이점:

• 이미지 클러스터 식별.
• 모델 성능이 저조한 클러스터 파악.
• 성능 저하를 유발하는 이미지 간의 공통점 이해.

학습 리소스#

• 커스텀 데이터셋으로 YOLO 학습하기 (Colab): 데이터 학습을 위한 대화형 Google Colab 노트북입니다.
• Ultralytics YOLO 문서: YOLO 모델 학습, 내보내기 및 배포.
• Ultralytics 블로그: 컴퓨터 비전 및 모델 학습에 관한 아티클.
• Ultralytics YouTube: 모델 학습 및 배포에 관한 비디오 가이드.

FAQ#