Ultralytics YOLO를 사용한 모델 학습

소개

딥러닝 모델을 학습한다는 것은 모델에 데이터를 공급하고 파라미터를 조정하여 정확한 예측을 수행할 수 있도록 하는 과정입니다. Ultralytics YOLO26의 학습 모드(Train mode)는 현대적인 하드웨어 성능을 최대한 활용하여 객체 탐지 모델을 효과적이고 효율적으로 학습할 수 있도록 설계되었습니다. 이 가이드는 YOLO26의 강력한 기능 세트를 사용하여 직접 모델을 학습하기 위해 필요한 모든 세부 사항을 다룹니다.

학습에 Ultralytics YOLO를 선택해야 하는 이유

YOLO26의 학습 모드를 선택해야 하는 몇 가지 강력한 이유는 다음과 같습니다:

• 효율성: 단일 GPU 환경이든 여러 GPU를 확장하는 환경이든 관계없이 하드웨어 성능을 최대한 활용합니다.
• 범용성: COCO, VOC, ImageNet과 같이 이미 사용 가능한 데이터셋 외에도 사용자 정의 데이터셋으로 학습할 수 있습니다.
• 사용자 친화적: 간단하면서도 강력한 CLI 및 Python 인터페이스를 통해 직관적인 학습 경험을 제공합니다.
• 하이퍼파라미터 유연성: 모델 성능을 미세 조정할 수 있는 광범위한 사용자 지정 하이퍼파라미터를 제공합니다. 더 깊은 제어를 원하시면 트레이너(trainer) 자체를 사용자 지정할 수도 있습니다.
• 클라우드 학습: Ultralytics Platform을 통해 실시간 메트릭 확인 및 자동 체크포인트 저장 기능을 갖춘 클라우드 GPU 기반 학습을 수행할 수 있습니다.

학습 모드의 주요 기능

다음은 YOLO26 학습 모드의 몇 가지 주목할 만한 기능입니다:

• 자동 데이터셋 다운로드: COCO, VOC, ImageNet과 같은 표준 데이터셋은 처음 사용할 때 자동으로 다운로드됩니다.
• 멀티 GPU 지원: 학습 과정을 가속화하기 위해 여러 GPU에 걸쳐 학습 작업을 원활하게 확장할 수 있습니다.
• 하이퍼파라미터 구성: YAML 구성 파일 또는 CLI 인수를 통해 하이퍼파라미터를 수정할 수 있는 옵션을 제공합니다.
• 시각화 및 모니터링: 더 나은 통찰력을 위해 학습 메트릭을 실시간으로 추적하고 학습 과정을 시각화합니다.

사용 예시

COCO8 데이터셋에서 YOLO26n 모델을 이미지 크기 640으로 100 에포크(epochs) 동안 학습합니다. 학습 디바이스는 device 인수를 사용하여 지정할 수 있습니다. 인수를 전달하지 않으면 사용 가능한 경우 GPU device=0이 사용되며, 그렇지 않으면 device='cpu'가 사용됩니다. 전체 학습 인수 목록은 아래의 인수 섹션을 참조하십시오.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.yaml")  # build a new model from YAML
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

멀티 GPU 학습

멀티 GPU 학습을 사용하면 학습 부하를 여러 GPU로 분산하여 가용한 하드웨어 리소스를 더욱 효율적으로 활용할 수 있습니다. 이 기능은 Python API와 CLI 모두에서 사용할 수 있습니다. 멀티 GPU 학습을 활성화하려면 사용할 GPU 디바이스 ID를 지정하십시오.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# Train the model with the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

python -m torch.distributed.run --nproc_per_node 2 your_training_script.py

유휴 GPU 학습

유휴 GPU 학습 기능을 사용하면 멀티 GPU 시스템에서 사용률이 가장 낮은 GPU를 자동으로 선택하여 수동 선택 없이도 리소스 사용을 최적화할 수 있습니다. 이 기능은 사용률 메트릭 및 VRAM 가용성을 기반으로 사용 가능한 GPU를 식별합니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train using the single most idle GPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=-1)

# Train using the two most idle GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

자동 선택 알고리즘은 다음 조건을 가진 GPU를 우선순위로 둡니다:

1. 현재 사용률(%)이 더 낮은 경우
2. 사용 가능한 메모리(무료 VRAM)가 더 높은 경우
3. 온도 및 전력 소비가 더 낮은 경우

이 기능은 공유 컴퓨팅 환경에서 작업하거나 서로 다른 모델에 대해 여러 학습 작업을 실행할 때 특히 유용합니다. 변화하는 시스템 조건에 자동으로 적응하여 수동 개입 없이도 최적의 리소스 할당을 보장합니다.

Apple Silicon MPS 학습

Ultralytics YOLO 모델에 Apple 실리콘 칩 지원이 통합됨에 따라, 강력한 Metal Performance Shaders(MPS) 프레임워크를 활용하는 디바이스에서 모델을 학습할 수 있게 되었습니다. MPS는 Apple의 커스텀 실리콘에서 계산 및 이미지 처리 작업을 실행하는 고성능 방식을 제공합니다.

Apple 실리콘 칩에서 학습을 활성화하려면 학습 과정을 시작할 때 디바이스로 'mps'를 지정해야 합니다. 아래는 Python 및 명령줄을 통해 이를 수행하는 방법의 예시입니다:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model with MPS
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

Apple 실리콘 칩의 계산 능력을 활용하면 학습 작업을 더욱 효율적으로 처리할 수 있습니다. 더 자세한 안내 및 고급 구성 옵션은 PyTorch MPS 문서를 참조하십시오.

중단된 학습 재개

이전에 저장된 상태에서 학습을 재개하는 것은 딥러닝 모델 작업 시 매우 중요한 기능입니다. 학습 과정이 예상치 못하게 중단되었거나, 새로운 데이터로 모델을 계속 학습시키거나, 혹은 더 많은 에포크 동안 학습을 이어가고 싶을 때 유용하게 활용할 수 있습니다.

학습을 재개할 때 Ultralytics YOLO는 마지막으로 저장된 모델의 가중치를 로드하고 옵티마이저 상태, 학습률(learning rate) 스케줄러, 그리고 에포크 번호를 복원합니다. 이를 통해 학습 과정을 중단된 지점에서부터 원활하게 계속할 수 있습니다.

You can easily resume training in Ultralytics YOLO by setting the resume argument to True when calling the train method, and specifying the path to the .pt file containing the partially trained model weights.

아래는 Python 및 명령줄을 사용하여 중단된 학습을 재개하는 방법의 예시입니다:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/last.pt")  # load a partially trained model

# Resume training
results = model.train(resume=True)

resume=True를 설정하면 train 함수는 'path/to/last.pt' 파일에 저장된 상태를 사용하여 중단된 지점부터 학습을 계속합니다. resume 인수가 생략되거나 False로 설정되면 train 함수는 새로운 학습 세션을 시작합니다.

체크포인트는 기본적으로 모든 에포크가 끝날 때마다, 또는 save_period 인수를 사용하여 고정된 간격으로 저장된다는 점을 기억하십시오. 따라서 학습을 재개하려면 최소 1번의 에포크를 완료해야 합니다.

학습 설정(Train Settings)

YOLO 모델의 학습 설정은 학습 과정 중에 사용되는 다양한 하이퍼파라미터 및 구성을 포함합니다. 이러한 설정은 모델의 성능, 속도 및 정확도(accuracy)에 영향을 미칩니다. 주요 학습 설정에는 배치 크기, 학습률, 모멘텀, 가중치 감쇠(weight decay)가 포함됩니다. 또한 옵티마이저, 손실 함수(loss function), 그리고 학습 데이터셋 구성 선택도 학습 과정에 영향을 줄 수 있습니다. 성능을 최적화하려면 이러한 설정을 신중하게 조정하고 실험하는 것이 중요합니다.

MuSGD 옵티마이저

YOLO26의 MuSGD는 표준 SGD 업데이트와 Muon 스타일의 직교화 업데이트를 결합한 하이브리드 옵티마이저입니다.

이 옵티마이저는 직교화된 Muon 업데이트가 최적화를 안정화하는 데 도움이 될 수 있는 더 긴 YOLO26 학습 실행 및 대규모 데이터셋에 권장됩니다.

param.ndim >= 2인 파라미터(예: 합성곱 가중치)만 SGD와 함께 Muon 스타일 업데이트를 받으며, 배치 정규화 계층이나 편향(bias) 항과 같은 저차원 파라미터는 표준 SGD를 유지합니다.

optimizer=auto가 사용되면 Ultralytics는 더 긴 학습 실행(일반적으로 반복 횟수 > 10000)을 위해 MuSGD를 자동으로 선택합니다. 더 짧은 실행의 경우 트레이너는 AdamW로 전환됩니다.

사용 예시:

yolo train model=yolo26n.pt data=coco8.yaml optimizer=MuSGD

ultralytics/optim/muon.py의 구현 및 BaseTrainer.build_optimizer의 옵티마이저 자동 선택 로직을 참조하십시오.

증강 설정 및 하이퍼파라미터

증강 기술은 학습 데이터(training data)에 변동성을 도입하여 모델이 보지 못한 데이터에 대해 더 잘 일반화되도록 함으로써 YOLO 모델의 견고성과 성능을 향상시키는 데 필수적입니다. 다음 표는 각 증강 인수의 목적과 효과를 설명합니다:

이 설정들은 데이터셋과 현재 작업의 특정 요구 사항을 충족하도록 조정할 수 있습니다. 다양한 값을 실험하면 최상의 모델 성능을 이끌어내는 최적의 증강 전략을 찾는 데 도움이 될 수 있습니다.

로깅

YOLO26 모델을 학습할 때 시간이 지남에 따라 모델의 성능을 추적하는 것이 유용할 수 있습니다. 이때 로깅이 필요합니다. Ultralytics YOLO는 Comet, ClearML, TensorBoard와 같은 세 가지 유형의 로거를 지원합니다.

로거를 사용하려면 위 코드 조각의 드롭다운 메뉴에서 선택하고 실행하십시오. 선택한 로거가 설치되고 초기화됩니다.

Comet

Comet은 데이터 과학자와 개발자가 실험과 모델을 추적, 비교, 설명 및 최적화할 수 있도록 지원하는 플랫폼입니다. 실시간 메트릭, 코드 diff, 하이퍼파라미터 추적과 같은 기능을 제공합니다.

Comet 사용 방법:

# pip install comet_ml
import comet_ml

comet_ml.init()

웹사이트에서 Comet 계정에 로그인하고 API 키를 확인하십시오. 실험을 기록하려면 이 키를 환경 변수나 스크립트에 추가해야 합니다.

ClearML

ClearML은 실험 추적을 자동화하고 리소스를 효율적으로 공유할 수 있도록 지원하는 오픈 소스 플랫폼입니다. 팀이 ML 작업을 보다 효율적으로 관리, 실행 및 재현할 수 있도록 설계되었습니다.

ClearML 사용 방법:

# pip install clearml
import clearml

clearml.browser_login()

이 스크립트를 실행한 후 브라우저에서 ClearML 계정에 로그인하여 세션을 인증해야 합니다.

TensorBoard

TensorBoard는 TensorFlow를 위한 시각화 툴킷입니다. TensorFlow 그래프를 시각화하고, 그래프 실행에 대한 정량적 메트릭을 도표화하며, 이를 통과하는 이미지와 같은 추가 데이터를 표시할 수 있습니다.

Google Colab에서 TensorBoard를 사용하려면:

load_ext tensorboard
tensorboard --logdir ultralytics/runs # replace with 'runs' directory

로컬에서 TensorBoard를 사용하려면 아래 명령을 실행하고 localhost:6006에서 결과를 확인하십시오.

tensorboard --logdir ultralytics/runs # replace with 'runs' directory

이 명령은 TensorBoard를 로드하고 학습 로그가 저장된 디렉토리를 가리키도록 합니다.

로거 설정을 완료하면 모델 학습을 진행할 수 있습니다. 모든 학습 메트릭은 선택한 플랫폼에 자동으로 기록되며, 이러한 로그에 액세스하여 시간이 지남에 따라 모델 성능을 모니터링하고, 다양한 모델을 비교하며, 개선 영역을 파악할 수 있습니다.

자주 묻는 질문(FAQ)

로컬 GPU 없이 학습할 수 있습니까?

네. Ultralytics Platform은 시작을 위한 무료 크레딧과 함께 클라우드 학습을 지원합니다. 데이터셋을 업로드하고, 모델과 GPU를 선택한 다음 브라우저에서 직접 학습하십시오. 자세한 내용은 클라우드 학습 가이드를 참조하십시오.

Ultralytics YOLO26을 사용하여 객체 탐지 모델을 어떻게 학습합니까?

Ultralytics YOLO26을 사용하여 객체 탐지 모델을 학습하려면 Python API 또는 CLI를 사용할 수 있습니다. 아래는 두 가지 방식에 대한 예시입니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

자세한 내용은 학습 설정 섹션을 참조하십시오.

Ultralytics YOLO26의 학습 모드에는 어떤 주요 기능이 있습니까?

Ultralytics YOLO26 학습 모드의 주요 기능은 다음과 같습니다:

• 자동 데이터셋 다운로드: COCO, VOC 및 ImageNet과 같은 표준 데이터셋을 자동으로 다운로드합니다.
• 멀티 GPU 지원: 더 빠른 처리를 위해 여러 GPU에 걸쳐 학습을 확장합니다.
• 하이퍼파라미터 구성: YAML 파일 또는 CLI 인수를 통해 하이퍼파라미터를 사용자 지정합니다.
• 시각화 및 모니터링: 더 나은 통찰력을 위한 학습 메트릭의 실시간 추적.

이러한 기능을 통해 학습을 효율적으로 만들고 필요에 맞게 사용자 지정할 수 있습니다. 자세한 내용은 학습 모드의 주요 기능 섹션을 참조하십시오.

Ultralytics YOLO26에서 중단된 세션의 학습을 어떻게 재개합니까?

중단된 세션에서 학습을 재개하려면 resume 인수를 True로 설정하고 마지막으로 저장된 체크포인트의 경로를 지정하십시오.

from ultralytics import YOLO

# Load the partially trained model
model = YOLO("path/to/last.pt")

# Resume training
results = model.train(resume=True)

자세한 내용은 중단된 학습 재개하기 섹션을 확인하십시오.

데이터셋이 불균형할 때 모델을 어떻게 학습합니까?

클래스 불균형은 학습 데이터 내의 특정 클래스가 다른 클래스보다 예제 수가 현저히 적을 때 발생합니다. 이로 인해 모델이 희귀 클래스에서 성능이 저하될 수 있습니다. Ultralytics YOLO는 이 문제를 해결하기 위해 cls_pw 인수를 통한 클래스 가중치 설정을 지원합니다.

cls_pw 인수는 역 클래스 빈도를 기반으로 클래스 가중치 강도를 제어합니다:

• cls_pw=0.0 (기본값): 클래스 가중치 설정 비활성화
• cls_pw=1.0: 전체 역 빈도 가중치 적용
• 0.0과 1.0 사이의 값: 중간 정도의 불균형에 대한 부분 가중치 제공

클래스 가중치는 (1.0 / class_counts) ^ cls_pw로 계산되며 평균이 1.0이 되도록 정규화됩니다.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train with full class weighting for severely imbalanced data
results = model.train(data="custom.yaml", epochs=100, imgsz=640, cls_pw=1.0)

# Or use partial weighting (0.25) for moderate imbalance
results = model.train(data="custom.yaml", epochs=100, imgsz=640, cls_pw=0.25)

Apple 실리콘 칩에서 YOLO26 모델을 학습할 수 있습니까?

네, Ultralytics YOLO26은 Metal Performance Shaders (MPS) 프레임워크를 활용하여 Apple 실리콘 칩에서의 학습을 지원합니다. 학습 장치로 'mps'를 지정하십시오.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train the model on Apple silicon chip (M1/M2/M3/M4)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

자세한 내용은 Apple 실리콘 MPS 학습 섹션을 참조하십시오.

일반적인 학습 설정은 무엇이며, 어떻게 구성합니까?

Ultralytics YOLO26을 사용하면 배치 크기, 학습률, 에포크 등 다양한 학습 설정을 인수를 통해 구성할 수 있습니다. 간단한 개요는 다음과 같습니다:

학습 설정에 대한 자세한 가이드는 학습 설정 섹션을 확인하십시오.