모델 교육 Ultralytics YOLO

소개

딥러닝 모델을 훈련하려면 정확한 예측을 할 수 있도록 데이터를 입력하고 매개변수를 조정해야 합니다. Ultralytics YOLOv8 의 훈련 모드는 최신 하드웨어 기능을 최대한 활용하여 객체 감지 모델을 효과적이고 효율적으로 훈련할 수 있도록 설계되었습니다. 이 가이드는 YOLOv8 의 강력한 기능 세트를 사용하여 자체 모델 훈련을 시작하는 데 필요한 모든 세부 사항을 다루는 것을 목표로 합니다.

Watch: Google Colab에서 사용자 지정 데이터 세트에 대해 YOLOv8 모델을 학습하는 방법.

교육을 위해 Ultralytics YOLO 을 선택해야 하는 이유는 무엇인가요?

다음은 YOLOv8 의 기차 모드를 선택해야 하는 몇 가지 강력한 이유입니다:

• 효율성: 단일 GPU를 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 YOLOv8 의 기차 모드에서 주목할 만한 몇 가지 기능입니다:

• 자동 데이터 세트 다운로드: COCO, VOC, ImageNet과 같은 표준 데이터 세트는 처음 사용할 때 자동으로 다운로드됩니다.
• 멀티 GPU 지원: 여러 GPU에서 원활하게 훈련 작업을 확장하여 프로세스를 가속화할 수 있습니다.
• 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 세트에서 이미지 크기 640으로 100개의 에포크에 대해 YOLOv8n 훈련합니다. 훈련 장치는 다음을 사용하여 지정할 수 있습니다. device 인수를 전달합니다. 인수가 전달되지 않은 경우 GPU device=0 사용 가능한 경우 사용되며, 그렇지 않은 경우 device='cpu' 가 사용됩니다. 교육 인수의 전체 목록은 아래 인수 섹션을 참조하세요.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.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=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.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=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

멀티 GPU 교육

멀티 GPU 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. 멀티 GPU 트레이닝을 활성화하려면 사용하려는 GPU 장치 ID를 지정하세요.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.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=yolov8n.pt epochs=100 imgsz=640 device=0,1

Apple M1 및 M2 MPS 교육

Ultralytics YOLO 모델에 통합된 Apple M1 및 M2 칩 지원으로 이제 강력한 금속 성능 셰이더(MPS) 프레임워크를 활용하여 디바이스에서 모델을 훈련할 수 있습니다. MPS는 Apple의 맞춤형 실리콘에서 연산 및 이미지 처리 작업을 실행하는 고성능 방법을 제공합니다.

Apple M1 및 M2 칩에서 트레이닝을 활성화하려면 트레이닝 프로세스를 시작할 때 디바이스를 'mps'로 지정해야 합니다. 아래는 Python 및 명령줄을 통해 이를 수행하는 방법의 예입니다:

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.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='mps')

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=mps

M1/M2 칩의 연산 능력을 활용하면서 트레이닝 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

YOLOv8 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 TensorFlow 를 위한 시각화 툴킷입니다. 이를 통해 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 훈련 지표는 선택한 플랫폼에 자동으로 기록되며, 이러한 로그에 액세스하여 시간 경과에 따른 모델 성능을 모니터링하고, 다른 모델을 비교하고, 개선이 필요한 영역을 식별할 수 있습니다.

댓글