Ultralytics YOLO 모델 학습#

소개#

딥러닝 모델 학습은 모델에 데이터를 입력하고 매개변수를 조정하여 정확한 예측을 수행할 수 있도록 하는 과정입니다. Ultralytics YOLO26의 Train 모드는 최신 하드웨어의 성능을 최대한 활용하여 객체 감지 모델을 효과적이고 효율적으로 학습하도록 설계되었습니다. 이 가이드에서는 YOLO26의 강력한 기능을 활용하여 자체 모델 학습을 시작하는 데 필요한 모든 세부 정보를 다룹니다. 아직 Ultralytics를 설치하지 않았다면 빠른 시작 가이드부터 시작하세요.

계획된 학습 예제는 출시 예정인 YOLO27 미리 보기를 참조하세요.

학습에 Ultralytics YOLO를 선택해야 하는 이유#

YOLO26의 Train 모드를 선택해야 하는 몇 가지 주요 이유는 다음과 같습니다:

• 효율성: 단일 GPU 구성에서 학습하든 여러 GPU로 확장하든 하드웨어를 최대한 활용합니다.
• 다용성: COCO, VOC, ImageNet처럼 쉽게 사용할 수 있는 데이터셋뿐 아니라 맞춤형 데이터셋으로도 학습할 수 있습니다.
• 사용 편의성: 간편한 학습 경험을 제공하는 강력하면서도 단순한 CLI 및 Python 인터페이스입니다.
• 하이퍼파라미터 유연성: 모델 성능을 세밀하게 조정할 수 있는 폭넓은 사용자 지정 하이퍼파라미터를 제공합니다. 더 세밀하게 제어하려면 트레이너를 사용자 지정할 수 있습니다.
• 클라우드 학습: 실시간 지표와 자동 체크포인트 저장 기능을 활용하여 Ultralytics Platform의 클라우드 GPU에서 학습할 수 있습니다.

Train 모드의 주요 기능#

YOLO26의 Train 모드에서 주목할 만한 기능은 다음과 같습니다:

• 데이터셋 자동 다운로드: 다운로드 소스가 지정된 데이터셋 구성은 처음 사용할 때 자동으로 다운로드됩니다(예: yolo train data=coco8.yaml). 지원되는 형식과 데이터셋은 데이터셋 개요를 참조하세요.
• 다중 GPU 지원: 여러 GPU에 학습 작업을 원활하게 분산하여 처리 속도를 높일 수 있습니다.
• 하이퍼파라미터 구성: YAML 구성 파일이나 CLI 인수를 통해 하이퍼파라미터를 수정할 수 있습니다.
• 시각화 및 모니터링: 학습 지표를 실시간으로 추적하고 학습 과정을 시각화하여 더 나은 인사이트를 얻을 수 있습니다.

사용 예시#

COCO8 데이터셋에서 YOLO26n을 이미지 크기 640으로 100 에포크 동안 학습합니다. device 인수를 사용하여 학습 장치를 지정할 수 있습니다. 인수를 전달하지 않으면 사용 가능한 경우 GPU device=0가 사용되고, 그렇지 않으면 device='cpu'이 사용됩니다. 전체 학습 인수 목록은 아래 인수 섹션을 참조하세요.

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n.yaml")  # YAML에서 새 모델을 생성합니다.
model = YOLO("yolo26n.pt")  # 사전 학습된 모델을 불러옵니다(학습에 권장).
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # YAML에서 모델을 생성하고 가중치를 전이합니다.

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

다중 GPU 학습#

다중 GPU 학습은 학습 작업을 여러 GPU에 분산하여 사용 가능한 하드웨어 리소스를 더 효율적으로 활용합니다. 이 기능은 Python API와 명령줄 인터페이스 모두에서 사용할 수 있습니다. 다중 GPU 학습을 활성화하려면 사용할 GPU 장치 ID를 지정하세요.

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n.pt")  # 사전 학습된 모델을 불러옵니다(학습에 권장).

# GPU 2개로 모델을 학습합니다.
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# 사용률이 가장 낮은 GPU 2개로 모델을 학습합니다.
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 학습에는 표준 device=0 또는 device=cuda:0 구문과 함께 PyTorch ROCm 빌드를 사용합니다. ROCm 설치, 다중 GPU 학습, AMP 관련 참고 사항, 내보낸 모델의 MIGraphX 추론에 대해서는 AMD 통합 가이드를 참조하세요.

Intel GPU 학습에는 device=xpu:0을 사용하거나, XCCL을 제공하는 PyTorch 빌드에서 여러 XPU ID를 사용합니다.

Huawei Ascend NPU 학습#

Ultralytics는 torch_npu을 통해 Huawei Ascend NPU에서의 학습과 검증을 지원합니다. PyTorch용 Ascend Extension 설치 가이드에 따라 호환되는 CANN, PyTorch, torch_npu 버전을 설치한 다음, Ultralytics를 시작하기 전에 CANN 환경을 적용하세요:

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

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

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

# HCCL을 사용하여 Ascend NPU 2개에서 학습합니다.
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="npu:0,1")

AMP, 검증, 체크포인트 저장, 학습 재개를 포함한 표준 학습 기능은 활성화된 NPU를 사용합니다. 단일 NPU 학습에서는 AutoBatch를 사용할 수 있으며, 여러 NPU ID를 지정하면 HCCL을 통해 분산 학습이 시작됩니다. 학습 후 모델 내보내기 및 배포에 대해서는 Huawei Ascend 통합 가이드를 참조하세요.

유휴 GPU 학습#

유휴 GPU 학습은 다중 GPU 시스템에서 사용률이 가장 낮은 GPU를 자동으로 선택하여 수동으로 GPU를 선택하지 않아도 리소스 사용을 최적화합니다. 이 기능은 사용률 지표와 VRAM 가용량을 기준으로 사용 가능한 GPU를 식별합니다.

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n.pt")  # 사전 학습된 모델을 불러옵니다(학습에 권장).

# 사용률이 가장 낮은 GPU 하나를 사용하여 학습합니다.
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=-1)

# 사용률이 가장 낮은 GPU 2개를 사용하여 학습합니다.
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[-1, -1])

자동 선택 알고리즘은 다음 조건을 우선시합니다:

1. 현재 사용률이 낮은 GPU
2. 사용 가능한 메모리(여유 VRAM)가 많은 GPU

이 기능은 여러 사용자가 함께 쓰는 컴퓨팅 환경이나 여러 모델에서 학습 작업을 동시에 실행할 때 특히 유용합니다. 시스템 상태 변화에 자동으로 대응하여 수동 개입 없이 리소스를 최적으로 할당합니다.

Apple Silicon MPS 학습#

Ultralytics YOLO 모델에 Apple 실리콘 칩 지원이 통합되어 이제 강력한 Metal 셰이더(MPS) 프레임워크를 사용하는 장치에서 모델을 학습할 수 있습니다. MPS는 Apple의 맞춤형 실리콘에서 연산 및 이미지 처리 작업을 고성능으로 실행하는 방법을 제공합니다.

Apple 실리콘 칩에서 학습을 활성화하려면 학습을 시작할 때 장치로 'mps'를 지정해야 합니다. 다음은 Python과 명령줄에서 이를 수행하는 예제입니다:

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n.pt")  # 사전 학습된 모델을 불러옵니다(학습에 권장).

# MPS로 모델을 학습합니다.
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

Apple 실리콘 칩의 연산 성능을 활용하면 학습 작업을 더 효율적으로 처리할 수 있습니다. 자세한 지침과 고급 구성 옵션은 PyTorch MPS 문서를 참조하세요.

중단된 학습 재개#

딥러닝 모델을 다룰 때 이전에 저장한 상태에서 학습을 재개하는 기능은 매우 중요합니다. 학습 프로세스가 예기치 않게 중단되었거나, 새로운 데이터 또는 더 많은 에폭으로 모델 학습을 계속하려는 경우 등 여러 상황에서 유용하게 사용할 수 있습니다.

학습을 재개하면 Ultralytics YOLO는 마지막으로 저장된 모델의 가중치를 불러오고 옵티마이저 상태, 학습률 스케줄러, 에폭 번호, 데이터셋도 복원합니다. 따라서 중단된 지점부터 학습 프로세스를 원활하게 이어갈 수 있습니다. 체크포인트의 데이터셋이 아닌 다른 데이터셋으로 학습을 계속하려면 data=과 함께 resume를 명시적으로 전달합니다.

train 메서드를 호출할 때 resume 인수를 True로 설정하고, 부분적으로 학습된 모델 가중치가 포함된 .pt 파일의 경로를 지정하면 Ultralytics YOLO에서 학습을 쉽게 재개할 수 있습니다.

아래는 Python과 명령줄을 사용하여 중단된 학습을 재개하는 예시입니다:

from ultralytics import YOLO

# 모델 로드
model = YOLO("path/to/last.pt")  # 부분적으로 학습된 모델 불러오기

# 학습 재개
results = model.train(resume=True)

resume=True을 설정하면 train 함수가 'path/to/last.pt' 파일에 저장된 상태를 사용하여 중단된 지점부터 학습을 계속합니다. resume 인수를 생략하거나 False으로 설정하면 train 함수가 새 학습 세션을 시작합니다.

체크포인트는 기본적으로 각 에폭이 끝날 때 저장되며, save_period 인수를 사용하여 고정된 간격으로 저장할 수도 있습니다. 따라서 학습 실행을 재개하려면 최소 1개 에폭을 완료해야 합니다.

학습 설정#

YOLO 모델의 학습 설정에는 학습 프로세스 중 사용되는 다양한 하이퍼파라미터와 구성이 포함됩니다. 이러한 설정은 모델의 성능, 속도, 정확도에 영향을 줍니다. 주요 학습 설정에는 배치 크기, 학습률, 모멘텀, 가중치 감쇠가 포함됩니다. 또한 옵티마이저와 손실 함수의 선택, 학습 데이터셋 구성도 학습 프로세스에 영향을 줄 수 있습니다. 성능을 최적화하려면 이러한 설정을 신중하게 조정하고 실험하는 것이 중요합니다.

MuSGD 옵티마이저#

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

직교화된 Muon 업데이트가 최적화 안정화에 도움이 될 수 있으므로 더 긴 YOLO26 학습 실행과 더 큰 데이터셋에 권장됩니다.

2D 선형 가중치와 2D로 재구성된 4D 컨볼루션 필터에만 SGD와 함께 Muon 방식 업데이트가 적용되며, 배치 정규화 가중치와 편향 항 등 그 외 모든 파라미터에는 표준 SGD가 적용됩니다.

optimizer=auto을 사용하면 Ultralytics가 장기 학습 실행(일반적으로 iterations > 10000)에서 MuSGD를 자동으로 선택합니다. 단기 실행에서는 트레이너가 AdamW로 전환합니다. auto 모드에서는 트레이너가 학습률도 선택하므로 사용자가 제공한 lr0는 무시됩니다. 이러한 설정을 직접 제어하려면 optimizer=AdamW lr0=0.001과 같이 옵티마이저를 명시적으로 선택합니다.

사용 예시:

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

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

증강 설정 및 하이퍼파라미터#

증강 기법은 학습 데이터에 다양성을 더해 모델이 학습 중 보지 못한 데이터에도 더 잘 일반화하도록 지원하므로, YOLO 모델의 견고성과 성능을 향상하는 데 필수적입니다. 다음 표에는 각 증강 인수의 목적과 효과가 정리되어 있습니다:

이러한 설정은 해당 데이터셋과 작업의 구체적인 요구 사항에 맞게 조정할 수 있습니다. 다양한 값을 실험하면 모델 성능을 가장 효과적으로 높이는 최적의 증강 전략을 찾는 데 도움이 됩니다.

로깅#

학습 메트릭, 플롯, 체크포인트는 항상 실행 디렉터리에 기록되며, Ultralytics는 설치하고 활성화한 실험 추적 도구에도 이를 스트리밍합니다: Comet, ClearML, TensorBoard, MLflow, Weights & Biases, DVCLive. 각 로거는 Ultralytics 설정을 통해 활성화하거나 비활성화할 수 있으며, 예를 들어 yolo settings tensorboard=True과 같이 설정합니다. 가장 일반적인 세 가지 설정은 아래에 나와 있습니다.

Comet#

Comet은 데이터 과학자와 개발자가 실험 및 모델을 추적, 비교, 설명하고 최적화할 수 있는 플랫폼입니다. 실시간 메트릭, 코드 차이, 하이퍼파라미터 추적 등의 기능을 제공합니다.

Comet을 사용하려면:

# pip install comet_ml
import comet_ml

comet_ml.login()

Comet 웹사이트에서 계정에 로그인하고 API 키를 발급받으세요. 실험을 로깅하려면 이 키를 환경 변수나 스크립트에 추가해야 합니다.

ClearML#

ClearML은 실험 추적을 자동화하고 리소스를 효율적으로 공유하도록 지원하는 오픈 소스 플랫폼입니다. 팀이 ML 작업을 더욱 효율적으로 관리하고 실행하며 재현할 수 있도록 설계되었습니다.

ClearML을 사용하려면:

# pip install clearml
import clearml

clearml.browser_login()

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

TensorBoard#

TensorBoard는 TensorFlow용 시각화 툴킷입니다. TensorFlow 그래프를 시각화하고, 그래프 실행에 대한 정량적 메트릭을 플로팅하며, 그래프를 통과하는 이미지와 같은 추가 데이터를 표시할 수 있습니다.

Google Colab에서 TensorBoard를 사용하려면:

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

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

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

이 명령은 TensorBoard를 실행하고 학습 로그가 저장된 디렉터리를 지정합니다.

로거를 설정한 후 모델 학습을 진행할 수 있습니다. 모든 학습 메트릭은 선택한 플랫폼에 자동으로 기록되며, 로그에 액세스하여 시간에 따른 모델 성능을 모니터링하고 여러 모델을 비교하며 개선이 필요한 부분을 파악할 수 있습니다.

다음 단계#

학습된 모델을 홀드아웃 데이터에 대해 검증하여 실제 환경에서의 정확도를 확인한 다음, ONNX, TensorRT 또는 다른 배포 형식으로 내보내기합니다. COCO8 대신 자체 데이터로 학습하시나요? 먼저 데이터셋 가이드에 따라 형식을 지정하세요.

자주 묻는 질문#