Ultralytics YOLO 모델 학습#

소개#

딥러닝 모델 학습은 데이터를 주입하고 매개변수를 조정하여 정확한 예측을 수행할 수 있도록 하는 과정을 포함합니다. Ultralytics YOLO26의 학습 모드는 현대적인 하드웨어 성능을 온전히 활용하여 객체 검출 모델을 효과적이고 효율적으로 학습할 수 있도록 설계되었습니다. 이 가이드는 YOLO26의 강력한 기능 세트를 사용하여 자신만의 모델 학습을 시작하는 데 필요한 모든 세부 정보를 다루는 것을 목표로 합니다. 아직 Ultralytics를 설치하지 않았다면 빠른 시작 가이드부터 시작하십시오.

예정된 학습 예제는 미출시 YOLO27 미리보기를 참조하십시오.

학습을 위해 Ultralytics YOLO를 선택해야 하는 이유는 무엇입니까?#

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

• 효율성: 단일 GPU 설정이든 여러 GPU로 확장하는 경우든 하드웨어를 최대한 활용할 수 있습니다.
• 범용성: COCO, VOC, ImageNet과 같이 손쉽게 사용할 수 있는 데이터셋뿐만 아니라 사용자 정의 데이터셋에서도 학습할 수 있습니다.
• 사용자 친화성: 간단하면서도 강력한 CLI 및 Python 인터페이스를 통해 직관적인 학습 경험을 제공합니다.
• 하이퍼파라미터 유연성: 모델 성능을 미세 조정할 수 있는 광범위한 사용자 정의 가능 하이퍼파라미터를 제공합니다. 더 깊은 제어를 위해 트레이너를 직접 사용자 정의할 수 있습니다.
• 클라우드 학습: 실시간 메트릭과 자동 체크포인트를 제공하는 Ultralytics Platform을 통해 클라우드 GPU에서 학습할 수 있습니다.

학습 모드의 주요 기능#

다음은 YOLO26 학습 모드의 몇 가지 주요 기능입니다.

• 자동 데이터셋 다운로드: 다운로드 소스가 포함된 데이터셋 구성은 첫 사용 시 yolo train data=coco8.yaml과 같이 자동으로 다운로드됩니다. 지원되는 형식 및 데이터셋에 대한 자세한 내용은 데이터셋 개요를 참조하십시오.
• 멀티 GPU 지원: 여러 GPU에서 학습 작업을 원활하게 확장하여 프로세스를 가속화할 수 있습니다.
• 하이퍼파라미터 구성: YAML 구성 파일이나 CLI 인수를 통해 하이퍼파라미터를 수정할 수 있는 옵션을 제공합니다.
• 시각화 및 모니터링: 더 나은 인사이트를 얻기 위해 학습 메트릭을 실시간으로 추적하고 학습 과정을 시각화합니다.

사용 예시#

이미지 크기 640으로 COCO8 데이터셋에서 YOLO26n을 100 에포크 동안 학습합니다. 학습 장치는 device 인수를 사용하여 지정할 수 있습니다. 인수가 전달되지 않으면 사용 가능한 경우 GPU device=0가 사용되고, 그렇지 않으면 device='cpu'이 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 학습은 여러 GPU에 학습 부하를 분산하여 사용 가능한 하드웨어 리소스를 보다 효율적으로 활용할 수 있도록 해줍니다. 이 기능은 Python API와 커맨드 라인 인터페이스 모두에서 사용할 수 있습니다. 멀티 GPU 학습을 활성화하려면 사용하려는 GPU 장치 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

AMD GPU 학습은 표준 device=0 또는 device=cuda:0 구문과 함께 PyTorch ROCm 빌드를 사용합니다. 설치 방법 및 현재 MIGraphX, DirectML, Ryzen AI NPU 지원 상태에 대해서는 AMD 통합 가이드를 참조하십시오.

Intel GPU 학습은 device=xpu:0 또는 XCCL을 제공하는 PyTorch 빌드의 여러 XPU ID를 사용합니다.

화웨이 어센드 NPU 학습#

Ultralytics는 torch_npu을 통해 화웨이 Ascend NPU에서의 학습 및 검증을 지원합니다. Ascend Extension for PyTorch 설치 가이드에 따라 상호 호환되는 CANN, PyTorch 및 torch_npu 버전을 설치한 다음, Ultralytics를 시작하기 전에 CANN 환경을 소스(source)하십시오.

source /usr/local/Ascend/ascend-toolkit/set_env.sh

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Train on one Ascend NPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0")

# Train across two Ascend NPUs with HCCL
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0,1")

AMP, 검증, 체크포인팅, 재개를 포함한 표준 학습 기능은 활성 NPU를 사용합니다. AutoBatch는 단일 NPU 학습에 사용할 수 있으며, 다중 NPU ID는 HCCL을 통해 분산 학습을 시작합니다. 학습 후 모델 내보내기 및 배포에 대해서는 화웨이 Ascend 통합 가이드를 참조하십시오.

유휴 GPU 학습#

유휴 GPU 학습은 멀티 GPU 시스템에서 사용량이 가장 적은 GPU를 자동으로 선택하여 수동 GPU 선택 없이 리소스 사용을 최적화합니다. 이 기능은 사용률 지표와 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 항목을 우선시합니다:

1. 더 낮은 현재 사용률 백분율
2. 더 높은 사용 가능한 메모리(여유 VRAM)
3. 더 낮은 온도 및 전력 소비

이 기능은 공유 컴퓨팅 환경에서나 서로 다른 모델에 걸쳐 여러 학습 작업을 실행할 때 특히 유용합니다. 변경되는 시스템 조건에 자동으로 적응하여 수동 개입 없이 최적의 리소스 할당을 보장합니다.

Apple Silicon MPS 학습#

Ultralytics YOLO 모델에 통합된 Apple 실리콘 칩 지원을 통해 이제 강력한 금속 성능 셰이버(MPS) 프레임워크를 활용하는 장치에서 모델을 학습할 수 있습니다. MPS는 Apple의 커스텀 실리콘에서 연산 및 이미지 처리 작업을 실행하는 고성능 방식을 제공합니다.

Apple 실리콘 칩에서 학습을 활성화하려면 학습 프로세스를 시작할 때 장치로 'mps'를 지정해야 합니다. 아래는 Python 및 커맨드 라인을 통해 이를 수행할 수 있는 방법을 보여주는 예제입니다:

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 연산 능력을 활용하면서 학습 작업을 더욱 효율적으로 처리할 수 있습니다. 보다 자세한 지침과 고급 구성 옵션에 대해서는 PyTorch MPS 문서를 참조하십시오.

중단된 학습 재개#

이전에 저장된 상태에서 학습을 재개하는 것은 딥러닝 모델 작업 시 중요한 기능입니다. 이는 학습 프로세스가 예기치 않게 중단되었거나 새 데이터로 또는 더 많은 에포크 동안 모델 학습을 계속하고자 할 때 유용할 수 있습니다.

학습이 재개되면 Ultralytics YOLO는 마지막으로 저장된 모델의 가중치를 로드하고 옵티마이저 상태, 학습률 스케줄러, 에포크 번호 및 데이터셋도 복원합니다. 이를 통해 중단된 지점부터 학습 과정을 원활하게 계속 진행할 수 있습니다. 체크포인트의 데이터셋 대신 다른 데이터셋에서 계속 진행하려면 resume와 함께 명시적인 data=을 전달하세요.

train 메서드를 호출할 때 resume 인수를 True(으)로 설정하고 부분적으로 학습된 모델 가중치가 포함된 .pt 파일의 경로를 지정하여 Ultralytics YOLO에서 학습을 쉽게 재개할 수 있습니다.

아래는 Python 및 커맨드 라인을 통해 중단된 학습을 재개하는 방법의 예제입니다:

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=True을(를) 설정하면 train 함수가 'path/to/last.pt' 파일에 저장된 상태를 사용하여 중단된 지점부터 학습을 계속합니다. resume 인수가 생략되거나 False(으)로 설정된 경우, train 함수는 새로운 학습 세션을 시작합니다.

체크포인트는 기본적으로 모든 에포크가 끝날 때 또는 save_period 인수를 사용하여 고정된 간격으로 저장되므로, 학습 실행을 재개하려면 최소 1 에포크를 완료해야 합니다.

학습 설정#

YOLO 모델의 학습 설정은 학습 과정에서 사용되는 다양한 하이퍼파라미터와 구성을 포괄합니다. 이러한 설정은 모델의 성능, 속도 및 정확도에 영향을 미칩니다. 주요 학습 설정에는 배치 크기, 학습률, 모멘텀 및 가중치 감쇠가 포함됩니다. 또한 옵티마이저, 손실 함수, 학습 데이터셋 구성의 선택이 학습 과정에 영향을 미칠 수 있습니다. 이러한 설정을 신중하게 조정하고 실험하는 것은 성능을 최적화하는 데 매우 중요합니다.

MuSGD 옵티마이저#

YOLO26에서 MuSGD는 표준 SGD 업데이트와 Muon 스타일 직교화 업데이트를 결합한 하이브리드 옵티마이저입니다.

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

2D 선형 가중치와 4D 컨볼루션 필터(2D로 재형상화됨)만 SGD와 함께 Muon 스타일 업데이트를 받으며, 배치 정규화 가중치 및 편향 항과 같은 다른 모든 파라미터는 표준 SGD로 유지됩니다.

optimizer=auto이 사용되면 Ultralytics는 더 긴 학습 실행(일반적으로 반복 횟수 > 10000)에 대해 MuSGD를 자동으로 선택합니다. 더 짧은 실행의 경우 트레이너는 AdamW로 폴백합니다.

사용 예제:

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

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

데이터 증강 설정 및 하이퍼파라미터#

데이터 증강 기법은 학습 데이터에 가변성을 도입하여 YOLO 모델의 견고성과 성능을 향상시키는 데 필수적이며, 모델이 보지 못한 데이터에 대해 더 잘 일반화할 수 있도록 돕습니다. 다음 표는 각 데이터 증강 인수의 목적과 효과를 설명합니다:

이러한 설정은 데이터셋과 작업의 특정 요구사항에 맞게 조정할 수 있습니다. 다양한 값을 실험해보면 최상의 모델 성능으로 이어지는 최적의 데이터 증강 전략을 찾는 데 도움이 될 수 있습니다.

로깅#

학습 지표, 플롯, 체크포인트는 항상 실행 디렉터리에 기록되며, Ultralytics는 설치하고 활성화한 실험 트래커(Comet, ClearML, TensorBoard, MLflow, Weights & Biases, DVCLive)로도 스트리밍합니다. 각 로거는 Ultralytics 설정(예: yolo settings tensorboard=True)을 통해 전환됩니다. 가장 일반적인 세 가지 설정은 아래에 나와 있습니다.

Comet#

Comet은(는) 데이터 과학자와 개발자가 실험 및 모델을 추적, 비교, 설명 및 최적화할 수 있는 플랫폼입니다. 실시간 메트릭, 코드 diff, 하이퍼파라미터 추적 등의 기능을 제공합니다.

Comet을 사용하려면:

# pip install comet_ml
import comet_ml

comet_ml.init()

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

ClearML#

ClearML은(는) 실험 추적을 자동화하고 리소스를 효율적으로 공유할 수 있도록 돕는 오픈소스 플랫폼입니다. 팀이 ML 작업을 보다 효율적으로 관리, 실행 및 재현할 수 있도록 설계되었습니다.

ClearML을 사용하려면:

# 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 플롯하며, 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

이렇게 하면 TensorBoard가 로드되고 학습 로그가 저장된 디렉토리로 지정됩니다.

로거를 설정한 후 모델 학습을 진행할 수 있습니다. 모든 학습 메트릭은 선택한 플랫폼에 자동으로 기록되며, 이러한 로그에 액세스하여 시간에 따른 모델 성능을 모니터링하고, 서로 다른 모델을 비교하고, 개선 영역을 파악할 수 있습니다.

다음 단계#

별도의 테스트 데이터에 대해 학습된 모델을 검증하여 실제 정확도를 확인한 다음, ONNX, TensorRT 또는 기타 배포 형식으로 내보내기하십시오. COCO8 대신 자신만의 데이터로 학습하시나요? 데이터셋 가이드를 사용하여 먼저 형식을 지정하십시오.

FAQ#