Ultralytics YOLO를 활용한 모델 학습#

소개#

딥러닝 모델을 훈련하는 과정은 모델에 데이터를 입력하고 매개변수를 조정하여 정확한 예측을 수행할 수 있도록 만드는 과정을 포함합니다. Ultralytics YOLO26의 학습 모드는 현대적인 하드웨어 성능을 완전히 활용하여 객체 검출 모델을 효과적이고 효율적으로 학습할 수 있도록 설계되었습니다. 이 가이드는 YOLO26의 강력한 기능 세트를 사용하여 나만의 모델 학습을 시작하는 데 필요한 모든 세부 정보를 다루는 것을 목표로 합니다. 아직 Ultralytics를 설치하지 않았다면 빠른 시작 가이드부터 시작하세요.

학습에 Ultralytics YOLO를 선택해야 하는 이유는 무엇입니까?#

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

• 효율성: 단일 GPU 설정이든 여러 GPU를 사용하는 확장이든 관계없이 하드웨어 성능을 극대화하십시오.
• 범용성: COCO, VOC, ImageNet과 같은 쉽게 사용할 수 있는 데이터셋 외에도 사용자 정의 데이터셋으로 학습할 수 있습니다.
• 사용자 친화성: 간편하면서도 강력한 CLI 및 Python 인터페이스를 통해 직관적인 학습 경험을 제공합니다.
• 하이터파라미터 유연성: 모델 성능을 미세 조정할 수 있는 다양하고 사용자 정의 가능한 하이퍼파라미터입니다. 더 깊은 제어를 원하시면 트레이너 자체를 커스텀하실 수 있습니다.
• 클라우드 학습: 실시간 메트릭과 자동 체크포인트를 지원하는 Ultralytics Platform을 통해 클라우드 GPU에서 학습을 진행하세요.

학습 모드의 주요 기능#

다음은 YOLO26 학습 모드의 주요 기능입니다:

• 자동 데이터셋 다운로드: 다운로드 소스가 포함된 데이터셋 구성은 첫 사용 시 yolo train data=coco8.yaml과 같이 자동으로 다운로드됩니다. 지원되는 형식과 데이터셋에 대한 자세한 내용은 데이터셋 개요를 참조하세요.
• 다중 GPU 지원: 여러 GPU에서 학습 작업을 원활하게 확장하여 프로세스 속도를 높이십시오.
• 하이퍼파라미터 구성: YAML 구성 파일 또는 CLI 인수를 통해 하이퍼파라미터를 수정하는 옵션을 제공합니다.
• 시각화 및 모니터링: 학습 지표의 실시간 추적과 학습 과정 시각화를 통해 더 나은 통찰력을 제공합니다.

사용 예제#

이미지 크기 640으로 COCO8 데이터셋에서 100 에포크 동안 YOLO26n을 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 참조하세요.

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)

다중 GPU 학습#

다중 GPU 학습은 여러 GPU에 학습 부하를 분산시켜 사용 가능한 하드웨어 자원을 더욱 효율적으로 활용할 수 있게 합니다. 이 기능은 Python API와 명령줄 인터페이스 모두에서 사용할 수 있습니다. 다중 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 구문을 사용하는 PyTorch ROCm 빌드를 사용합니다. 설치 및 현재 MIGraphX, DirectML, Ryzen AI NPU 지원 상태에 대해서는 AMD 통합 가이드를 참조하세요.

Intel GPU 학습은 device=xpu:0을 사용하거나, XCCL을 지원하는 PyTorch 빌드와 함께 여러 XPU ID를 사용합니다.

Huawei Ascend 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 후, Ultralytics를 시작하기 전에 CANN 환경을 소스(source)하세요.

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, 체크포인트, 재개를 포함한 표준 학습 기능은 활성 NPU를 사용합니다. 단일 NPU 학습에는 AutoBatch를 사용할 수 있으며, 여러 NPU ID는 HCCL을 통해 분산 학습을 시작합니다. 학습 후 모델 내보내기 및 배포에 대해서는 Huawei Ascend 통합 가이드를 참조하세요.

유휴 GPU 학습#

유휴 GPU 학습을 사용하면 다중 GPU 시스템에서 사용률이 가장 낮은 GPU를 자동으로 선택하여 수동 선택 없이 리소스 사용을 최적화할 수 있습니다. 이 기능은 사용률 지표 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 다음을 우선순위로 합니다:

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

이 기능은 공유 컴퓨팅 환경이나 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 통합된 Apple Silicon 칩 지원을 통해 강력한 Metal Performance Shaders(MPS) 프레임워크를 활용하는 장치에서 모델을 학습할 수 있습니다. MPS는 Apple의 맞춤형 실리콘에서 계산 및 이미지 처리 작업을 수행하는 고성능 방식을 제공합니다.

Apple Silicon 칩에서 학습을 활성화하려면 학습 프로세스를 시작할 때 장치로 '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 연산 성능을 활용하여 학습 작업을 더 효율적으로 처리할 수 있습니다. 보다 자세한 지침과 고급 설정 옵션은 PyTorch MPS 문서를 참조하세요.

중단된 학습 재개#

이전에 저장된 상태에서 학습을 재개하는 것은 딥러닝 모델 작업 시 중요한 기능입니다. 이는 학습 프로세스가 예기치 않게 중단되었거나, 새로운 데이터로 모델을 계속 학습하거나, 더 많은 에폭 동안 학습을 이어가고 싶을 때 유용합니다.

학습을 재개할 때 Ultralytics YOLO는 마지막으로 저장된 모델의 가중치를 불러올 뿐만 아니라 옵티마이저 상태, 학습률 스케줄러, 에포크 번호도 복원합니다. 이를 통해 중단된 지점부터 원활하게 학습을 이어갈 수 있습니다.

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

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

체크포인트는 기본적으로 매 에포크가 끝날 때 또는 save_period 인수를 사용한 고정 간격으로 저장되므로, 학습을 재개하려면 최소 1 에포크를 완료해야 합니다.

학습 설정#

YOLO 모델의 학습 설정은 학습 과정에서 사용되는 다양한 하이퍼파라미터와 구성을 포함합니다. 이러한 설정은 모델의 성능, 속도, 정확도에 영향을 미칩니다. 주요 학습 설정에는 배치 크기, 학습률, 모멘텀, 가중치 감소가 포함됩니다. 또한 옵티마이저 선택, 손실 함수, 학습 데이터셋 구성도 학습 과정에 영향을 줄 수 있습니다. 이러한 설정에 대한 신중한 튜닝과 실험은 성능 최적화에 매우 중요합니다.

MuSGD 옵티마이저#

YOLO26에서 MuSGD는 표준 SGD 업데이트와 Muon 스타일의 직교 업데이트를 결합한 하이브리드 옵티마이저입니다.

이는 더 긴 YOLO26 학습 및 더 큰 데이터셋에 권장되며, 직교화된 Muon 업데이트가 최적화를 안정화하는 데 도움이 될 수 있습니다.

2D 선형 가중치와 4D 합성곱 필터(2D로 재형성됨)만 SGD와 함께 Muon 스타일 업데이트를 받고, 배치 정규화 가중치 및 편향 항과 같은 다른 모든 파라미터는 표준 SGD에 유지됩니다.

optimizer=auto이 사용될 때 Ultralytics는 더 긴 학습 실행(일반적으로 반복 횟수 > 10000)을 위해 MuSGD를 자동으로 선택합니다. 더 짧은 실행의 경우 트레이너는 AdamW로 대체됩니다.

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 도입하여 YOLO 모델의 견고성과 성능을 향상시키는 데 필수적이며, 모델이 보이지 않는 데이터에 더 잘 일반화하도록 돕습니다. 다음 표는 각 증강 인수의 목적과 효과를 설명합니다:

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

로깅#

YOLO26 모델을 학습할 때, 시간에 따른 모델의 성능을 추적하는 것이 유용하다는 것을 알 수 있습니다. 여기서 로깅이 필요합니다. Ultralytics YOLO는 세 가지 유형의 로거인 Comet, ClearML, TensorBoard를 지원합니다.

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

Comet#

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

Comet 사용 방법:

# pip install comet_ml
import comet_ml

comet_ml.init()

웹사이트에서 Comet 계정에 로그인하고 API 키를 얻는 것을 기억하십시오. 실험을 기록하려면 이를 환경 변수나 스크립트에 추가해야 합니다.

ClearML#

ClearML은 실험 추적을 자동화하고 자원의 효율적인 공유를 돕는 오픈소스 플랫폼입니다. 팀이 ML 작업을 더 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 지표를 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 확인하세요.

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

이렇게 하면 TensorBoard가 로드되고 학습 로그가 저장된 디렉토리로 안내됩니다.

로거를 설정한 후 모델 학습을 진행할 수 있습니다. 모든 학습 메트릭은 선택한 플랫폼에 자동으로 기록되며, 이러한 로그에 액세스하여 시간이 지남에 따라 모델 성능을 모니터링하고, 여러 모델을 비교하며, 개선 영역을 파악할 수 있습니다.

다음 단계#

보유한 데이터로 검증하여 실제 정확도를 확인한 후 ONNX, TensorRT 또는 다른 배포 형식으로 내보내기하세요. COCO8 대신 자신만의 데이터로 학습하시나요? 데이터셋 가이드를 사용하여 먼저 형식을 지정하세요.

FAQ#

로컬 GPU 없이 학습할 수 있나요?#

네. Ultralytics Platform 클라우드 학습에는 시작을 위한 무료 크레딧이 포함되어 있습니다. 데이터셋을 업로드하고 모델과 GPU를 선택한 다음 브라우저에서 직접 학습하세요.

Ultralytics YOLO26을 사용하여 객체 검출 모델을 어떻게 학습합니까?#

Ultralytics YOLO26을 사용하여 객체 탐지 모델을 학습하려면 Python API나 CLI를 사용할 수 있습니다. 아래는 두 가지 모두에 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 참조하세요.

Ultralytics YOLO26 학습 모드의 주요 기능은 무엇입니까?#

Ultralytics YOLO26 학습 모드의 주요 기능은 다음과 같습니다:

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

이러한 기능 덕분에 학습이 효율적이고 사용자의 요구에 맞게 사용자 정의할 수 있습니다. 자세한 내용은 학습 모드의 주요 기능 섹션을 참조하세요.

Ultralytics YOLO26에서 중단된 세션부터 학습을 재개하려면 어떻게 해야 합니까?#

중단된 세션에서 학습을 재개하려면 resume 인수를 True(으)로 설정하고 마지막으로 저장된 체크포인트의 경로를 지정하세요.

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 확인하세요.

불균형한 데이터셋에서 모델을 학습하려면 어떻게 해야 합니까?#

클래스 불균형은 학습 데이터에서 특정 클래스의 예시가 다른 클래스보다 현저히 적을 때 발생합니다. 이로 인해 모델이 희귀 클래스에서 성능이 떨어질 수 있습니다. Ultralytics YOLO는 이 문제를 해결하기 위해 cls_pw 인수를 통한 클래스 가중치 부여를 지원합니다.

cls_pw 인수는 역클래스 빈도를 기반으로 클래스 가중치 부여 파워를 제어합니다:

• cls_pw=0.0 (기본값): 클래스 가중치 부여 비활성화
• cls_pw=1.0: 전체 역빈도 가중치 적용
• 0.0 및 1.0 사이의 값: 적당한 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 MPS(Metal Performance Shaders) 프레임워크를 활용하여 Apple 실리콘 칩에서 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 참조하세요.

일반적인 학습 설정은 무엇이며, 어떻게 구성합니까?#

Ultralytics YOLO26은 인수를 통해 배치 크기, 학습률, 에포크 등 다양한 학습 설정을 구성할 수 있게 합니다. 간단한 개요는 다음과 같습니다:

학습 설정에 대한 자세한 가이드는 학습 설정 섹션을 확인하세요.