데이터 준비

데이터 준비는 성공적인 컴퓨터 비전 모델의 기반입니다. Ultralytics Platform은 업로드부터 어노테이션, 분석에 이르기까지 학습 데이터를 관리하기 위한 포괄적인 도구를 제공합니다.

개요

Ultralytics Platform의 데이터 섹션은 다음을 지원합니다:

• 이미지, 동영상 및 압축 파일(ZIP, TAR, GZ) 업로드
• 수동 그리기 도구 및 SAM 스마트 라벨링으로 주석 추가
• 분석: 통계 및 시각화를 통해 데이터 분석
• NDJSON 형식으로 내보내기 (로컬 훈련용)

워크플로우

graph LR
    A[Upload] --> B[Annotate]
    B --> C[Analyze]
    C --> D[Train]

    style A fill:#4CAF50,color:#fff
    style B fill:#2196F3,color:#fff
    style C fill:#FF9800,color:#fff
    style D fill:#9C27B0,color:#fff

지원되는 작업

Ultralytics 플랫폼은 5가지 YOLO 작업 유형을 모두 지원합니다:

주요 기능

스마트 스토리지

Ultralytics 효율적인 데이터 관리를 위해 콘텐츠 주소 지정 저장소(CAS)를 사용합니다:

• 중복 제거: XXH3-128 해싱을 통해 동일한 이미지는 한 번만 저장
• 무결성: 해시 기반 주소 지정은 데이터 무결성을 보장합니다
• 효율성: 최적화된 저장 공간 및 빠른 처리

데이터셋 URI

다음과 같은 참조 데이터셋 ul:// URI 형식 (참조 플랫폼 데이터셋 사용):

yolo train data=ul://username/datasets/my-dataset

API 키가 구성된 모든 기기에서 플랫폼의 데이터셋을 활용하여 훈련할 수 있습니다.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="ul://username/datasets/my-dataset", epochs=100)

데이터셋 탭

모든 데이터셋 페이지에는 다섯 개의 탭이 제공됩니다:

통계 및 시각화

에 지정되어 있습니다. Charts 탭은 다음과 같은 자동 분석을 제공합니다:

• 분할 분포: 훈련/검증/테스트 이미지 개수 도넛 차트
• 상위 클래스: 가장 빈번한 어노테이션 클래스의 도넛 차트
• 이미지 너비: 이미지 너비 분포 히스토그램
• 이미지 높이: 이미지 높이 분포 히스토그램
• 인스턴스당 포인트: 다각형 정점 또는 키포인트 수 분포 (segment 데이터셋)
• 주석 위치: 바운딩 박스 중심 위치의 2D 히트맵
• 이미지 크기: 가로 대 세로 비율의 2D 히트맵과 종횡비 가이드라인

빠른 링크

• 데이터셋: 훈련 데이터를 업로드하고 관리합니다.
• 어노테이션: 수동 및 AI 지원 도구를 사용한 레이블 데이터

FAQ

업로드에 지원되는 파일 형식은 무엇인가요?

Ultralytics Platform은 다음을 지원합니다:

이미지: JPEG, PNG, WebP, BMP, TIFF, HEIC, AVIF, JP2, DNG, MPO (각 파일 최대 50MB)

동영상: MP4, WebM, MOV, AVI, MKV, M4V (최대 1GB, 초당 1프레임 추출, 최대 100프레임)

아카이브: ZIP, TAR, TAR.GZ, TGZ, GZ (최대 10GB) 이미지 포함 (선택 사항: YOLO 라벨 포함)

최대 데이터셋 크기는 얼마인가요?

저장 공간 제한은 플랜에 따라 다릅니다:

개별 파일 제한: 이미지 50MB, 동영상 1GB, 압축 파일 10GB

내 플랫폼 데이터셋을 로컬 학습에 사용할 수 있습니까?

예! 로컬에서 학습하려면 데이터셋 URI 형식을 사용하십시오:

export ULTRALYTICS_API_KEY="your_key"
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

import os

os.environ["ULTRALYTICS_API_KEY"] = "your_key"

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="ul://username/datasets/my-dataset", epochs=100)

또는 완전히 오프라인 상태에서 훈련할 수 있도록 데이터셋을 NDJSON 형식으로 내보내세요.

5; 1 전에 생성됨 ✏️ 4 전에 업데이트됨

댓글