Ultralytics YOLO를 사용한 모델 훈련

소개

딥러닝 모델 훈련은 모델에 데이터를 제공하고 정확한 예측을 할 수 있도록 파라미터를 조정하는 과정을 포함합니다. Ultralytics YOLO11의 Train 모드는 최신 하드웨어 기능을 최대한 활용하여 객체 감지 모델을 효과적이고 효율적으로 훈련할 수 있도록 설계되었습니다. 이 가이드는 YOLO11의 강력한 기능들을 사용하여 자체 모델 훈련을 시작하는 데 필요한 모든 세부 정보를 다루는 것을 목표로 합니다.

참고: Google Colab에서 사용자 정의 데이터 세트로 YOLO 모델을 훈련하는 방법.

훈련을 위해 Ultralytics YOLO를 선택해야 하는 이유

다음은 YOLO11의 Train 모드를 선택해야 하는 몇 가지 강력한 이유입니다.

• 효율성: 단일 GPU 설정에서든 여러 GPU로 확장하든 하드웨어를 최대한 활용하십시오.
• 다재다능함: COCO, VOC 및 ImageNet과 같이 즉시 사용 가능한 데이터 세트 외에도 사용자 정의 데이터 세트에서 훈련하십시오.
• 사용자 친화적: 간단하면서도 강력한 CLI 및 python 인터페이스를 통해 간단한 훈련 경험을 제공합니다.
• 하이퍼파라미터 유연성: 모델 성능을 미세 조정할 수 있는 광범위한 사용자 정의 가능 하이퍼파라미터.

Train 모드의 주요 기능

다음은 YOLO11의 Train 모드의 몇 가지 주목할 만한 기능입니다.

• 자동 데이터 세트 다운로드: COCO, VOC 및 ImageNet과 같은 표준 데이터 세트는 처음 사용할 때 자동으로 다운로드됩니다.
• 다중 GPU 지원: 여러 GPU에서 훈련 노력을 원활하게 확장하여 프로세스 속도를 높입니다.
• 하이퍼파라미터 구성: YAML 구성 파일 또는 CLI 인수를 통해 하이퍼파라미터를 수정하는 옵션.
• 시각화 및 모니터링: 더 나은 통찰력을 위해 훈련 메트릭을 실시간으로 추적하고 학습 프로세스를 시각화합니다.

사용 예시

COCO8 데이터 세트에서 YOLO11n을 100회 훈련합니다. epochs 이미지 크기 640에서. 훈련 장치는 다음을 사용하여 지정할 수 있습니다. device 인수. 인수가 전달되지 않으면 GPU device=0 사용 가능한 경우 사용되며, 그렇지 않으면 device='cpu' 사용됩니다. 전체 학습 인수는 아래 인수 섹션을 참조하십시오.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

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

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolo11n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

Multi-GPU 훈련

Multi-GPU 학습은 여러 GPU에 학습 부하를 분산하여 사용 가능한 하드웨어 리소스를 보다 효율적으로 활용할 수 있도록 합니다. 이 기능은 python API와 명령줄 인터페이스를 통해 사용할 수 있습니다. Multi-GPU 학습을 활성화하려면 사용하려는 GPU 장치 ID를 지정하십시오.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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])

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=0,1

# Use the two most idle GPUs
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=-1,-1

유휴 GPU 학습

유휴 GPU 학습은 수동 GPU 선택 없이도 다중 GPU 시스템에서 활용도가 가장 낮은 GPU를 자동으로 선택하여 리소스 사용을 최적화합니다. 이 기능은 활용률 지표 및 VRAM 가용성을 기반으로 사용 가능한 GPU를 식별합니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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])

# Start training using the single most idle GPU
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=-1

# Start training using the two most idle GPUs
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=-1,-1

자동 선택 알고리즘은 다음을 갖춘 GPU를 우선적으로 선택합니다.

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

이 기능은 공유 컴퓨팅 환경이나 여러 모델에서 여러 훈련 작업을 실행할 때 특히 유용합니다. 수동 개입 없이 변화하는 시스템 조건에 자동으로 적응하여 최적의 리소스 할당을 보장합니다.

Apple Silicon MPS 훈련

Ultralytics YOLO 모델에 통합된 Apple Silicon 칩에 대한 지원을 통해 이제 강력한 MPS(Metal Performance Shaders) 프레임워크를 활용하여 장치에서 모델을 학습할 수 있습니다. MPS는 Apple의 맞춤형 실리콘에서 연산 및 이미지 처리 작업을 실행하는 고성능 방법을 제공합니다.

Apple Silicon 칩에서 학습을 활성화하려면 학습 프로세스를 시작할 때 'mps'를 장치로 지정해야 합니다. 다음은 python 및 명령줄을 통해 이 작업을 수행하는 방법에 대한 예입니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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")

# Start training from a pretrained *.pt model using MPS
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

Apple Silicon 칩의 계산 능력을 활용하는 동시에 학습 작업의 보다 효율적인 처리가 가능합니다. 자세한 지침 및 고급 구성 옵션은 PyTorch MPS 설명서를 참조하십시오.

중단된 훈련 재개

이전에 저장한 상태에서 학습을 재개하는 것은 딥 러닝 모델로 작업할 때 중요한 기능입니다. 이는 학습 프로세스가 예기치 않게 중단되었거나 새 데이터로 또는 더 많은 epoch 동안 모델 학습을 계속하려는 경우와 같은 다양한 시나리오에서 유용할 수 있습니다.

학습이 재개되면 Ultralytics YOLO는 마지막으로 저장된 모델에서 가중치를 로드하고 optimizer 상태, 학습률 스케줄러 및 epoch 번호도 복원합니다. 이를 통해 중단된 위치에서부터 학습 프로세스를 원활하게 계속할 수 있습니다.

Ultralytics YOLO에서 학습을 쉽게 재개하려면 다음을 설정하십시오. resume 인수를 True 호출할 때 train 메서드로 설정하고 .pt 부분적으로 학습된 모델 가중치를 포함하는 파일을 지정합니다.

다음은 python 및 명령줄을 사용하여 중단된 학습을 재개하는 방법의 예입니다.

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 an interrupted training
yolo train resume model=path/to/last.pt

설정하면 resume=True, 'path/to/last.pt' 파일에 저장된 상태를 사용하여 중단된 위치에서부터 train 함수가 학습을 계속합니다. 만약 resume 인수가 생략되거나 False, 'path/to/last.pt' 파일에 저장된 상태를 사용하여 중단된 위치에서부터 train 함수가 새 학습 세션을 시작합니다.

체크포인트는 기본적으로 모든 epoch이 끝날 때마다 저장되거나, `--save-period` 인수를 사용하여 설정된 고정 간격으로 저장됩니다. 따라서 학습을 재개하려면 최소 1 epoch을 완료해야 합니다. save_period `--save-period` 인수를 사용하여 설정된 고정 간격으로 저장됩니다. 따라서 학습을 재개하려면 최소 1 epoch을 완료해야 합니다.

훈련 설정

YOLO 모델의 학습 설정은 학습 과정에서 사용되는 다양한 하이퍼파라미터와 구성을 포함합니다. 이러한 설정은 모델의 성능, 속도 및 정확도에 영향을 미칩니다. 주요 학습 설정에는 배치 크기, 학습률, 모멘텀 및 가중치 감소가 포함됩니다. 또한 옵티마이저, 손실 함수 및 학습 데이터 세트 구성의 선택은 학습 과정에 영향을 줄 수 있습니다. 성능을 최적화하려면 이러한 설정을 신중하게 조정하고 실험하는 것이 중요합니다.

증강 설정 및 하이퍼파라미터

증강 기법은 학습 데이터에 변동성을 부여하여 YOLO 모델의 견고성과 성능을 향상시키는 데 필수적이며, 모델이 보이지 않는 데이터에 대해 더 잘 일반화되도록 돕습니다. 다음 표는 각 증강 인수의 목적과 효과를 간략하게 설명합니다.

이러한 설정은 데이터 세트 및 당면한 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

YOLO11 모델을 훈련할 때 시간이 지남에 따라 모델의 성능을 추적하는 것이 유용할 수 있습니다. 이럴 때 로깅이 필요합니다. Ultralytics YOLO는 Comet, ClearML 및 TensorBoard의 세 가지 유형의 로거를 지원합니다.

로거를 사용하려면 위의 코드 스니펫에서 드롭다운 메뉴에서 선택하고 실행합니다. 선택한 로거가 설치되고 초기화됩니다.

Comet

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

Comet 사용법:

# pip install comet_ml
import comet_ml

comet_ml.init()

Comet 웹사이트에서 계정에 로그인하고 API 키를 가져와야 합니다. 실험을 기록하려면 이 키를 환경 변수 또는 스크립트에 추가해야 합니다.

ClearML

ClearML은 실험 추적을 자동화하고 리소스의 효율적인 공유를 돕는 오픈 소스 플랫폼입니다. 팀이 ML 작업을 보다 효율적으로 관리, 실행 및 재현할 수 있도록 설계되었습니다.

ClearML 사용법:

# pip install clearml
import clearml

clearml.browser_login()

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

TensorBoard

TensorBoard는 TensorFlow 시각화 툴킷입니다. TensorFlow 그래프를 시각화하고, 그래프 실행에 대한 정량적 메트릭을 플롯하고, 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 결과를 확인하세요. http://localhost:6006/.

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

이렇게 하면 TensorBoard가 로드되고 학습 로그가 저장된 디렉터리로 연결됩니다.

로거를 설정한 후 모델 학습을 진행할 수 있습니다. 모든 학습 메트릭은 선택한 플랫폼에 자동으로 기록되며, 이러한 로그에 액세스하여 모델의 성능을 시간 경과에 따라 모니터링하고, 다양한 모델을 비교하고, 개선 영역을 식별할 수 있습니다.

FAQ

Ultralytics YOLO11을 사용하여 객체 감지 모델을 학습하려면 어떻게 해야 하나요?

Ultralytics YOLO11을 사용하여 객체 감지 모델을 학습하려면 python API 또는 CLI를 사용할 수 있습니다. 아래는 두 가지 모두에 대한 예입니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

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

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

자세한 내용은 Train Settings 섹션을 참조하세요.

Ultralytics YOLO11의 Train 모드의 주요 기능은 무엇입니까?

Ultralytics YOLO11의 Train 모드의 주요 기능은 다음과 같습니다.

• 자동 데이터세트 다운로드: COCO, VOC 및 ImageNet과 같은 표준 데이터세트를 자동으로 다운로드합니다.
• Multi-GPU 지원: 더 빠른 처리를 위해 여러 GPU에서 학습을 확장합니다.
• 하이퍼파라미터 구성: YAML 파일 또는 CLI 인수를 통해 하이퍼파라미터를 사용자 정의합니다.
• 시각화 및 모니터링: 더 나은 통찰력을 위해 학습 메트릭을 실시간으로 추적합니다.

이러한 기능을 통해 학습을 효율적으로 수행하고 필요에 따라 사용자 정의할 수 있습니다. 자세한 내용은 Train 모드의 주요 기능 섹션을 참조하세요.

Ultralytics YOLO11에서 중단된 세션으로부터 훈련을 재개하려면 어떻게 해야 합니까?

중단된 세션에서 학습을 재개하려면 다음을 설정합니다. resume 인수를 True 마지막으로 저장된 체크포인트의 경로를 지정합니다.

from ultralytics import YOLO

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

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

yolo train resume model=path/to/last.pt

자세한 내용은 중단된 학습 재개 섹션을 확인하세요.

Apple Silicon 칩에서 YOLO11 모델을 훈련할 수 있습니까?

예, Ultralytics YOLO11은 Metal Performance Shaders (MPS) 프레임워크를 활용하여 Apple Silicon 칩에서 학습을 지원합니다. 'mps'를 학습 장치로 지정하세요.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

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

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

자세한 내용은 Apple Silicon MPS 학습 섹션을 참조하십시오.

일반적인 훈련 설정은 무엇이며, 어떻게 구성해야 합니까?

Ultralytics YOLO11을 사용하면 배치 크기, 학습률, epoch 등 다양한 학습 설정을 인수를 통해 구성할 수 있습니다. 다음은 간략한 개요입니다.

학습 설정에 대한 자세한 내용은 학습 설정 섹션을 확인하십시오.

📅 1년 전에 생성됨 ✏️ 2개월 전에 업데이트됨

댓글