Weights & Biases를 활용한 YOLO 실험 추적 및 시각화#

객체 감지 모델(예: Ultralytics YOLO26은 다양한 컴퓨터 비전 애플리케이션에서 핵심적인 역할을 합니다. 하지만 이러한 복잡한 모델을 학습하고 평가 및 배포하려면 여러 가지 어려움이 따릅니다. 주요 학습 지표 추적, 모델 변형 비교, 모델 동작 분석, 문제 감지에는 상당한 계측 작업과 실험 관리가 필요합니다.

시청: Weights and Biases와 함께 Ultralytics YOLO26을 사용하는 방법

이 가이드에서는 실험 추적, 최적 모델 아티팩트, 모델 성능 시각화를 강화하기 위해 Ultralytics YOLO26을 Weights & Biases와 통합하는 방법을 소개합니다. 또한 Weights & Biases의 대화형 기능을 사용하여 통합 환경을 설정하고, 학습을 진행하며, 결과를 시각화하는 방법을 안내합니다.

Weights & Biases#

Weights & Biases는 머신러닝 실험을 추적하고 시각화 및 관리하도록 설계된 최첨단 MLOps 플랫폼입니다. 전체 실험의 재현성을 위해 학습 지표를 자동으로 기록하고, 효율적인 데이터 분석을 위한 대화형 UI를 제공하며, 다양한 환경에 배포할 수 있는 효율적인 모델 관리 도구를 갖추고 있습니다.

Weights & Biases를 활용한 YOLO26 학습#

Weights & Biases를 사용하면 YOLO26 학습 프로세스의 효율성과 자동화를 높일 수 있습니다. 통합 기능을 통해 실험을 추적하고 모델을 비교하며, 데이터에 기반한 의사결정으로 컴퓨터 비전 프로젝트를 개선할 수 있습니다.

설치#

필수 패키지를 설치하려면 다음을 실행하세요:

# Install the required packages for Ultralytics YOLO and Weights & Biases
pip install -U ultralytics wandb

# Enable W&B logging for Ultralytics
yolo settings wandb=True

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.

Weights & Biases 구성#

필요한 패키지를 설치한 다음에는 Weights & Biases 환경을 설정해야 합니다. 개발 환경과 W&B 플랫폼을 원활하게 연결하려면 Weights & Biases 계정을 만들고 필요한 API 키를 발급받아야 합니다.

먼저 작업 공간에서 Weights & Biases 환경을 초기화합니다. 다음 명령을 실행하고 안내에 따라 설정하면 됩니다.

import wandb

# Weights & Biases 환경을 초기화합니다(API 키를 입력하도록 요청하거나 WANDB_API_KEY를 읽습니다).
wandb.login()

Weights & Biases 인증 페이지로 이동하여 API 키를 생성하고 확인하세요. W&B에 환경을 인증하라는 메시지가 표시되면 이 키를 사용하세요.

사용법: Weights & Biases를 활용한 YOLO26 학습#

Weights & Biases를 활용한 YOLO26 모델 학습 사용법을 살펴보기 전에 Ultralytics에서 제공하는 YOLO26 모델을 확인하세요. 이를 통해 프로젝트 요구사항에 가장 적합한 모델을 선택할 수 있습니다.

from ultralytics import YOLO

# YOLO 모델 로드
model = YOLO("yolo26n.pt")

# 모델 학습 및 파인튜닝
model.train(data="coco8.yaml", epochs=5, project="ultralytics", name="yolo26n")

Ultralytics가 생성하는 실행은 학습 지표를 epoch에 대해 그래프로 표시합니다. 학습을 시작하기 전에 wandb.init()로 실행을 시작하면 Ultralytics는 해당 실행에 로그를 기록하고, 모든 행에 epoch 값을 포함하며, 사용자가 계속 로그를 기록하고 직접 wandb.finish()을 호출할 수 있도록 실행을 열린 상태로 둡니다. 학습 인수는 해당 실행의 config에 추가되며, 사용자나 W&B sweep에서 이미 설정한 키는 기존 값을 유지합니다.

W&B 인수#

# Enable Weights & Biases logging
yolo settings wandb=True

# Disable Weights & Biases logging
yolo settings wandb=False

출력 이해하기#

위의 사용 예제 코드를 실행하면 다음과 같은 주요 출력이 표시됩니다.

• 학습 프로세스의 시작을 나타내는 고유 ID와 함께 새로운 실행이 설정됩니다.
• 레이어 및 파라미터 수를 포함하여 모델 구조를 간략하게 요약합니다.
• 각 학습 에포크 동안 학습 손실, 정밀도, 재현율, mAP 점수와 같은 주요 지표를 정기적으로 업데이트합니다.
• 학습이 끝나면 모델의 추론 속도와 전반적인 정확도 지표를 포함한 상세 지표가 표시됩니다.
• 학습 프로세스를 심층 분석하고 시각화할 수 있는 Weights & Biases 대시보드 링크와 로컬 로그 파일 위치 정보가 제공됩니다.

Weights & Biases 대시보드 보기#

사용 예제 코드를 실행한 후 출력에 제공된 링크를 통해 Weights & Biases(W&B) 대시보드에 액세스할 수 있습니다. 이 대시보드에서는 YOLO26 모델의 학습 프로세스를 종합적으로 확인할 수 있습니다.

Weights & Biases 대시보드의 주요 기능#

• 실시간 지표 추적: 학습 중 변화하는 손실, 정확도, 검증 점수 등의 지표를 확인하여 모델 조정에 필요한 인사이트를 즉시 얻을 수 있습니다. Weights & Biases를 사용하여 실험을 추적하는 방법을 확인하세요.

• 하이퍼파라미터 비교: 모든 실행에서 학습률과 배치 크기 등의 학습 인수를 기록하므로 실행 간 구성을 비교할 수 있습니다. W&B 로깅을 사용한 자동 검색에는 Ray Tune을 사용합니다.

• 비교 분석: 플랫폼에서 여러 학습 실행을 나란히 비교할 수 있습니다. 이는 다양한 모델 구성의 영향을 평가하고 어떤 변경 사항이 성능을 높이는지 파악하는 데 필수적입니다.

• 학습 진행 상황 시각화: 주요 지표를 그래프로 표시하여 에폭 전반에 걸친 모델 성능을 직관적으로 파악할 수 있습니다. Weights & Biases를 통해 검증 결과를 시각화하는 방법을 확인하세요.

• 리소스 모니터링: CPU, GPU, 메모리 사용량을 추적하여 학습 프로세스의 효율성을 최적화하고 워크플로의 잠재적 병목 현상을 파악할 수 있습니다.

• 모델 아티팩트 관리: 학습이 끝날 때 W&B 아티팩트로 업로드된 최적 모델 체크포인트에 액세스하고 공유하여 복잡한 프로젝트에서 팀원과 손쉽게 배포하고 협업할 수 있습니다.

이러한 기능을 활용하면 YOLO26 모델 학습을 효과적으로 추적하고 분석 및 최적화하여 객체 감지 작업에서 최상의 성능과 효율성을 확보할 수 있습니다.

요약#

이 가이드에서는 Ultralytics YOLO와 Weights & Biases의 통합을 살펴보았습니다. 이 통합을 통해 모델 학습 결과를 효율적으로 추적하고 시각화할 수 있음을 확인했습니다. W&B의 강력한 기능을 활용하면 머신러닝 워크플로를 간소화하고, 데이터를 기반으로 의사 결정을 내리며, 모델 성능을 개선할 수 있습니다.

자세한 내용은 이 통합에 관한 YOLO VISION 2023의 Soumik Rakshit 프레젠테이션을 확인하세요.

또한 Ultralytics 통합 가이드 페이지에서 MLflow, Comet ML 등 다양한 통합 기능에 대해 알아보세요.

자주 묻는 질문#