Roboflow#

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

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

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

커스텀 YOLO26 모델 학습을 위한 데이터 수집#

Roboflow는 Ultralytics YOLO 모델의 데이터 수집을 지원하는 두 가지 주요 서비스인 Universe와 Collect를 제공합니다. 보다 일반적인 데이터 수집 전략은 데이터 수집 및 주석 가이드를 참조하십시오.

Roboflow Universe#

Roboflow Universe는 비전 데이터셋을 제공하는 온라인 저장소입니다. Ultralytics 모델에서 사용할 수 있도록 데이터셋을 YOLO 형식으로 내보낼 수 있습니다.

Roboflow Collect#

직접 이미지를 수집하려는 경우, Roboflow Collect는 엣지 디바이스의 웹캠을 통해 이미지를 자동으로 수집할 수 있는 오픈 소스 프로젝트입니다. 텍스트 또는 이미지 프롬프트를 사용하여 수집할 데이터를 지정하면 비전 모델에 필요한 이미지만 캡처할 수 있습니다.

YOLO26 형식으로 데이터 업로드, 변환 및 라벨링#

Roboflow Annotate는 객체 탐지, 분류, 세그멘테이션을 비롯한 다양한 컴퓨터 비전 작업을 위해 이미지에 라벨을 지정하는 온라인 도구입니다.

Ultralytics YOLO 모델용 데이터에 라벨을 지정하려면 Roboflow에서 프로젝트를 생성하고 이미지를 업로드한 다음 주석 작업을 시작하십시오.

어노테이션 도구#

• 바운딩 박스 주석: B을 누르거나 박스 아이콘을 클릭하십시오. 클릭하고 드래그하여 바운딩 박스를 생성합니다. 팝업에서 주석에 사용할 클래스를 선택하라는 메시지가 표시됩니다.
• 폴리곤 주석: 인스턴스 세그멘테이션에 사용됩니다. P을 누르거나 폴리곤 아이콘을 클릭하십시오. 객체 주변의 여러 지점을 클릭하여 폴리곤을 그립니다.

라벨 어시스턴트 (SAM 통합)#

Roboflow는 주석 작업을 잠재적으로 가속할 수 있도록 모든 것을 분할하는 모델 (SAM) 기반 라벨 어시스턴트를 통합합니다.

라벨 어시스턴트를 사용하려면 사이드바에서 커서 아이콘을 클릭하십시오. 프로젝트에 SAM이 활성화됩니다.

객체 위에 마우스를 올리면 SAM이 주석을 제안할 수 있습니다. 클릭하여 주석을 적용하십시오. 제안된 영역의 내부 또는 외부를 클릭하여 주석의 구체성을 조정할 수 있습니다.

태그 지정#

사이드바의 Tags 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 이미지로 구성된 데이터셋 버전을 생성할 수 있습니다.

라벨 어시스트 (모델 기반)#

Roboflow에서 호스팅되는 모델을 Label Assist와 함께 사용하여 주석을 제안할 수 있습니다. YOLO 모델 가중치를 Roboflow에 업로드한 다음(아래 지침 참조), 사이드바의 마법봉 아이콘을 통해 Label Assist를 활성화하십시오.

YOLO26용 데이터셋 관리#

Roboflow는 컴퓨터 비전 데이터셋을 파악하고 관리할 수 있는 여러 도구를 제공합니다.

데이터셋 검색#

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

상태 점검#

학습 전에 Roboflow Health Check를 사용하여 데이터셋에 대한 인사이트를 얻고 개선이 필요한 부분을 식별하십시오. 사이드바의 "Health Check" 링크를 통해 액세스할 수 있습니다. 이미지 크기, 클래스 균형, 주석 히트맵 등에 대한 통계를 제공합니다.

Health Check는 클래스 균형 기능에서 식별된 클래스 불균형을 해결하는 등 성능 향상을 위한 변경 사항을 제안할 수 있습니다. 효과적인 모델 학습을 위해서는 데이터셋 상태를 파악하는 것이 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 클릭하십시오. 여기에서 전처리 단계와 데이터 증강을 적용하여 모델 견고성을 향상할 수 있습니다.

선택한 각 증강에 대해 팝업에서 밝기와 같은 매개변수를 세밀하게 조정할 수 있습니다. 적절한 증강은 모델 일반화 성능을 크게 향상할 수 있으며, 이는 모델 학습 팁 가이드에서 다루는 핵심 개념입니다.

모델 학습을 위해 40개 이상의 형식으로 데이터 내보내기#

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

Ultralytics 학습 파이프라인과 호환되도록 "YOLO26" 형식을 선택하십시오. 이제 커스텀 YOLO26 모델을 학습할 준비가 되었습니다. 내보낸 데이터셋으로 학습을 시작하는 자세한 방법은 Ultralytics Train 모드 문서를 참조하십시오.

테스트 및 배포를 위한 커스텀 YOLO26 모델 가중치 업로드#

Roboflow는 NVIDIA Jetson, Luxonis OAK, Raspberry Pi와 같은 디바이스 및 GPU 기반 시스템과 호환되는 배포 모델용 확장 가능한 API와 SDK를 제공합니다. 가이드에서 다양한 모델 배포 옵션을 살펴보십시오.

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

새 Python 파일을 생성하고 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 숫자, MODEL_PATH을 Roboflow 계정, 프로젝트 및 로컬 학습 결과 디렉터리에 해당하는 값으로 바꾸십시오. MODEL_PATH가 학습된 best.pt 가중치 파일이 포함된 디렉터리를 정확히 가리키는지 확인하십시오.

위 코드를 실행하면 인증(API 키를 사용하는 경우가 일반적임)을 요청받습니다. 그러면 모델이 업로드되고 프로젝트에 대한 API 엔드포인트가 생성됩니다. 이 프로세스를 완료하는 데 최대 30분이 걸릴 수 있습니다.

모델을 테스트하고 지원되는 SDK의 배포 지침을 확인하려면 Roboflow 사이드바에서 "Deploy" 탭으로 이동하십시오. 이 페이지 상단에 위젯이 표시되며, 웹캠을 사용하거나 이미지 또는 동영상을 업로드하여 모델을 테스트할 수 있습니다.

업로드한 모델은 라벨링 어시스턴트로도 사용할 수 있으며, 학습 내용을 기반으로 새 이미지에 대한 주석을 제안합니다.

YOLO26 모델 평가 방법#

Roboflow는 모델 성능을 평가하는 기능을 제공합니다. 성능 지표를 파악하는 것은 모델을 반복적으로 개선하는 데 중요합니다.

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

이 도구는 모델 성능을 보여 주는 혼동 행렬과 CLIP 임베딩을 사용하는 대화형 벡터 분석 플롯을 표시합니다. 이러한 기능은 모델을 개선할 영역을 식별하는 데 도움이 됩니다.

혼동 행렬 팝업:

셀 위에 마우스를 올려 값을 확인하고, 셀을 클릭하여 모델 예측 및 정답 데이터가 포함된 해당 이미지를 확인하십시오.

"Vector Analysis"를 클릭하면 CLIP 임베딩을 기반으로 이미지 유사성을 시각화한 산점도가 표시됩니다. 서로 가까이 있는 이미지는 의미적으로 유사합니다. 점은 이미지를 나타내며 흰색(성능 우수)에서 빨간색(성능 저조)으로 색상이 표시됩니다.

Vector Analysis를 사용하면 다음을 수행할 수 있습니다:

• 이미지 클러스터를 식별합니다.
• 모델 성능이 저조한 클러스터를 정확히 파악합니다.
• 성능 저조를 유발하는 이미지 간의 공통점을 파악합니다.

학습 리소스#

• 커스텀 데이터셋에서 YOLO 학습 (Colab): 자체 데이터로 학습할 수 있는 대화형 Google Colab 노트북입니다.
• Ultralytics YOLO 문서: YOLO 모델의 학습, 내보내기 및 배포를 다룹니다.
• Ultralytics 블로그: 컴퓨터 비전 및 모델 학습에 관한 문서입니다.
• Ultralytics YouTube: 모델 학습 및 배포에 관한 동영상 가이드입니다.

FAQ#