모델 교육 Ultralytics YOLO

소개

딥러닝 모델을 훈련하려면 정확한 예측을 할 수 있도록 데이터를 입력하고 매개변수를 조정해야 합니다. Ultralytics YOLO11 의 훈련 모드는 최신 하드웨어 기능을 최대한 활용하여 객체 감지 모델을 효과적이고 효율적으로 훈련할 수 있도록 설계되었습니다. 이 가이드는 YOLO11 의 강력한 기능 세트를 사용하여 자체 모델 훈련을 시작하는 데 필요한 모든 세부 사항을 다루는 것을 목표로 합니다.

Watch: Google Colab에서 사용자 지정 데이터 세트에서 YOLO 모델을 훈련하는 방법.

교육을 위해 Ultralytics YOLO 을 선택해야 하는 이유는 무엇인가요?

YOLO11 의 기차 모드를 선택해야 하는 몇 가지 강력한 이유는 다음과 같습니다:

• 효율성: 단일 설정(GPU )을 사용하든 여러 GPU로 확장하든 하드웨어를 최대한 활용하세요.
• 다목적성: COCO, VOC, ImageNet과 같이 쉽게 사용할 수 있는 데이터 세트 외에 사용자 지정 데이터 세트에 대해서도 학습할 수 있습니다.
• 사용자 친화적: 간단하면서도 강력한 CLI 및 Python 인터페이스를 통해 간단한 교육 환경을 제공합니다.
• 하이퍼파라미터 유연성: 광범위한 사용자 지정 가능한 하이퍼파라미터로 모델 성능을 미세 조정할 수 있습니다.

기차 모드의 주요 기능

다음은 YOLO11 의 기차 모드에서 주목할 만한 몇 가지 기능입니다:

• 자동 데이터 세트 다운로드: COCO, VOC, ImageNet과 같은 표준 데이터 세트는 처음 사용할 때 자동으로 다운로드됩니다.
• 멀티GPU 지원: 여러 GPU에서 훈련 작업을 원활하게 확장하여 프로세스를 가속화하세요.
• 하이퍼파라미터 구성: 하이퍼파라미터 구성: YAML 구성 파일 또는 CLI 인수를 통해 하이퍼파라미터를 수정하는 옵션입니다.
• 시각화 및 모니터링: 교육 메트릭을 실시간으로 추적하고 학습 과정을 시각화하여 더 나은 인사이트를 얻을 수 있습니다.

사용 예

COCO8 데이터 세트에 대해 YOLO11n을 100으로 훈련합니다. epochs 를 이미지 크기 640으로 설정합니다. 교육 장치는 다음을 사용하여 지정할 수 있습니다. device 인수를 전달합니다. 인수가 전달되지 않으면 GPU device=0 사용 가능한 경우 사용되며, 그렇지 않으면 device='cpu' 가 사용됩니다. 교육 인수의 전체 목록은 아래 인수 섹션을 참조하세요.

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

멀티GPU 교육

다중GPU 트레이닝을 사용하면 트레이닝 부하를 여러 GPU에 분산하여 사용 가능한 하드웨어 리소스를 보다 효율적으로 활용할 수 있습니다. 이 기능은 Python API와 명령줄 인터페이스를 통해 사용할 수 있습니다. 다중GPU 트레이닝을 활성화하려면 사용하려는 GPU 장치 ID를 지정하세요.

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])

# 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

애플 실리콘 MPS 교육

이제 Ultralytics YOLO 모델에 통합된 Apple 실리콘 칩을 지원하므로 강력한 금속 성능 셰이더(MPS) 프레임워크를 활용하여 장치에서 모델을 훈련할 수 있습니다. MPS 은 Apple의 맞춤형 실리콘에서 연산 및 이미지 처리 작업을 실행하는 고성능 방법을 제공합니다.

Apple 실리콘 칩에서 교육을 활성화하려면 교육 프로세스를 시작할 때 'mps'를 장치로 지정해야 합니다. 아래는 Python 및 명령줄을 통해 이를 수행하는 방법의 예시입니다:

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 실리콘 칩의 연산 능력을 활용하면서 교육 작업을 보다 효율적으로 처리할 수 있습니다. 자세한 지침과 고급 구성 옵션은 PyTorch MPS 설명서를 참조하세요.

중단된 교육 재개하기

이전에 저장한 상태에서 훈련을 재개하는 것은 딥러닝 모델로 작업할 때 매우 중요한 기능입니다. 이 기능은 학습 프로세스가 예기치 않게 중단되었거나 새로운 데이터로 모델을 계속 학습하거나 더 많은 기간 동안 학습하려는 경우와 같은 다양한 시나리오에서 유용하게 사용할 수 있습니다.

훈련이 재개되면 Ultralytics YOLO 에서 마지막으로 저장된 모델의 가중치를 로드하고 최적화 상태, 학습률 스케줄러 및 에포크 번호도 복원합니다. 이렇게 하면 중단된 지점부터 학습 프로세스를 원활하게 계속할 수 있습니다.

Ultralytics YOLO 에서 쉽게 교육을 재개할 수 있습니다. resume 인수를 True 를 호출할 때 train 메서드에 대한 경로를 지정하고 .pt 파일에 부분적으로 학습된 모델 가중치가 포함되어 있습니다.

다음은 Python 및 명령줄을 사용하여 중단된 교육을 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

설정으로 resume=True에서 train 함수는 'path/to/last.pt' 파일에 저장된 상태를 사용하여 중단된 지점부터 훈련을 계속합니다. 만약 resume 인수가 생략되거나 False에서 train 함수는 새 교육 세션을 시작합니다.

체크포인트는 기본적으로 모든 에포크가 끝날 때마다 저장되거나, 고정된 간격으로 저장됩니다. save_period 인수를 사용할 수 없으므로 트레이닝 실행을 재개하려면 최소 1에포크를 완료해야 합니다.

열차 설정

YOLO 모델의 학습 설정에는 학습 프로세스 중에 사용되는 다양한 하이퍼파라미터와 구성이 포함됩니다. 이러한 설정은 모델의 성능, 속도 및 정확도에 영향을 미칩니다. 주요 훈련 설정에는 배치 크기, 학습 속도, 모멘텀 및 가중치 감쇠가 포함됩니다. 또한 최적화 도구, 손실 함수, 학습 데이터 세트 구성도 학습 프로세스에 영향을 미칠 수 있습니다. 이러한 설정을 신중하게 조정하고 실험하는 것은 성능을 최적화하는 데 매우 중요합니다.

증강 설정 및 하이퍼파라미터

증강 기술은 학습 데이터에 가변성을 도입하여 모델이 보이지 않는 데이터에 더 잘 일반화하도록 지원함으로써 YOLO 모델의 견고성과 성능을 개선하는 데 필수적입니다. 다음 표에서는 각 증강 인수의 목적과 효과를 간략하게 설명합니다:

이러한 설정은 데이터 세트와 작업의 특정 요구 사항을 충족하도록 조정할 수 있습니다. 다양한 값으로 실험해 보면 최상의 모델 성능을 이끌어내는 최적의 증강 전략을 찾는 데 도움이 될 수 있습니다.

로깅

YOLO11 모델을 학습시킬 때 시간 경과에 따른 모델의 성과를 추적하는 것이 유용할 수 있습니다. 이때 로깅이 중요한 역할을 합니다. Ultralytics' YOLO 은 Comet, ClearML, TensorBoard 등 세 가지 유형의 로거를 지원합니다.

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

Comet

Comet 는 데이터 과학자와 개발자가 실험과 모델을 추적, 비교, 설명 및 최적화할 수 있는 플랫폼입니다. 실시간 메트릭, 코드 차이점, 하이퍼파라미터 추적과 같은 기능을 제공합니다.

사용 방법 Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

웹사이트의 Comet 계정에 로그인하여 API 키를 받는 것을 잊지 마세요. 이를 환경 변수 또는 스크립트에 추가하여 실험을 기록해야 합니다.

ClearML

ClearML 는 실험 추적을 자동화하고 리소스를 효율적으로 공유하는 데 도움이 되는 오픈 소스 플랫폼입니다. 팀이 머신러닝 작업을 보다 효율적으로 관리, 실행 및 재현할 수 있도록 설계되었습니다.

사용 방법 ClearML:

# pip install clearml
import clearml

clearml.browser_login()

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

텐서보드

텐서보드는 시각화 도구 키트입니다. TensorFlow. 이를 사용하면 TensorFlow 그래프를 시각화하고, 그래프의 실행에 대한 정량적 메트릭을 표시하고, 그래프를 통과하는 이미지와 같은 추가 데이터를 표시할 수 있습니다.

Google Colab에서 텐서보드를 사용하려면:

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

아래 명령을 실행하여 http://localhost:6006/ 에서 결과를 확인하여 로컬에서 TensorBoard를 사용하세요.

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

이렇게 하면 텐서보드가 로드되고 교육 로그가 저장된 디렉토리로 이동합니다.

로거를 설정한 후에는 모델 트레이닝을 진행할 수 있습니다. 모든 트레이닝 지표는 선택한 플랫폼에 자동으로 기록되며, 이러한 로그에 액세스하여 시간 경과에 따른 모델 성능을 모니터링하고 다른 모델을 비교하며 개선이 필요한 영역을 파악할 수 있습니다.

자주 묻는 질문

Ultralytics YOLO11 을 사용하여 객체 감지 모델을 훈련하려면 어떻게 하나요?

Ultralytics YOLO11 을 사용하여 객체 감지 모델을 훈련하려면 Python API 또는 CLI 을 사용할 수 있습니다. 아래는 두 가지 모두에 대한 예제입니다:

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 열차 설정 섹션을 참조하세요.

Ultralytics YOLO11 의 기차 모드의 주요 기능은 무엇인가요?

Ultralytics YOLO11 의 기차 모드의 주요 기능은 다음과 같습니다:

• 자동 데이터 세트 다운로드: COCO, VOC, ImageNet과 같은 표준 데이터세트를 자동으로 다운로드합니다.
• 다중GPU 지원: 여러 GPU에서 훈련을 확장하여 더 빠르게 처리할 수 있습니다.
• 하이퍼파라미터 구성: YAML 파일 또는 CLI 인수를 통해 하이퍼파라미터를 사용자 지정합니다.
• 시각화 및 모니터링: 교육 메트릭을 실시간으로 추적하여 더 나은 인사이트를 얻을 수 있습니다.

이러한 기능을 통해 효율적이고 필요에 따라 맞춤 설정할 수 있는 트레이닝이 가능합니다. 자세한 내용은 훈련 모드의 주요 기능 섹션을 참조하세요.

Ultralytics YOLO11 에서 중단된 세션에서 교육을 다시 시작하려면 어떻게 하나요?

중단된 세션에서 트레이닝을 다시 시작하려면 resume 인수를 True 를 클릭하고 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 교육 재개하기 섹션을 참조하세요.

Apple 실리콘 칩에서 YOLO11 모델을 훈련할 수 있나요?

예, Ultralytics YOLO11 은 메탈 퍼포먼스 셰이더(MPS) 프레임워크를 활용하여 Apple 실리콘 칩에 대한 교육을 지원합니다. 'mps'를 트레이닝 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 교육 섹션을 참조하세요.

일반적인 교육 설정은 무엇이며 어떻게 구성하나요?

Ultralytics YOLO11 인수를 통해 배치 크기, 학습 속도, 에포크 등 다양한 학습 설정을 구성할 수 있습니다. 다음은 간략한 개요입니다:

교육 설정에 대한 자세한 가이드는 교육 설정 섹션을 참조하세요.

📅1 년 전 생성됨 ✏️ 업데이트됨 17 일 전

댓글