데이터셋#

Ultralytics Platform 데이터셋은 학습 데이터를 효율적으로 관리할 수 있는 간소화된 솔루션을 제공합니다. 업로드 후 플랫폼이 이미지, 레이블 및 통계 정보를 자동으로 처리합니다.

처리가 완료되고 train split에 이미지가 하나 이상 있으며, val 또는 test split 중 하나에 이미지가 하나 이상 있고, 레이블이 지정된 이미지가 하나 이상 있으면 데이터셋을 학습에 사용할 수 있습니다. 세 가지 조건이 모두 충족되면 데이터셋 헤더에 Ready 배지가 표시되고, 그렇지 않으면 Not Ready 배지가 표시됩니다. 배지를 클릭하면 충족되지 않은 조건을 정확히 확인할 수 있습니다.

에이전트를 사용하여 이미지 수집하기#

모델 탐지가 선택된 범위 내의 신뢰도와 같은 조건을 충족할 때 Agents를 사용하여 데이터셋에 이미지를 추가합니다. 해당 조건을 Dataset 블록에 연결하고 편집할 수 있는 대상 위치를 선택합니다. 이미지는 레이블이 지정되지 않은 상태로 train 분할에 도착하며, 기존 사본은 건너뜁니다. 기존 annotation editor를 사용하여 이를 검토하고 레이블을 지정합니다.

데이터셋 업로드#

Ultralytics Platform은 유연한 사용을 위해 여러 업로드 형식을 지원합니다.

지원되는 형식#

동영상 코덱 지원#

파일 확장자만으로는 충분하지 않습니다. 처리 중 코덱을 디코딩할 수 없으면 동영상이 실패할 수 있습니다.

ffmpeg -i input.mov \
  -c:v libx264 -pix_fmt yuv420p \
  -c:a aac -movflags +faststart \
  output.mp4

데이터셋 준비#

본 플랫폼은 Ultralytics YOLO, COCO, semantic PNG masks, depth datasets, Ultralytics NDJSON 및 원본(주석 없는) 업로드를 지원합니다:

my-dataset/
├── images/
│   ├── train/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── val/
│       ├── img003.jpg
│       └── img004.jpg
├── labels/
│   ├── train/
│   │   ├── img001.txt
│   │   └── img002.txt
│   └── val/
│       ├── img003.txt
│       └── img004.txt
└── data.yaml

# data.yaml
path: .
train: images/train
val: images/val

names:
    0: person
    1: car
    2: dog

레이블이 클래스 ID를 참조하지만 클래스 이름이 제공되지 않은 경우 Platform은 조밀한 자리 표시자 이름(class0, class1, …)을 생성하며, 이후 Classes tab에서 이름을 변경할 수 있습니다.

작업별 형식 세부 정보는 supported tasks 및 Datasets Overview를 참조하십시오.

업로드 과정#

데이터셋을 생성하려면 다음을 수행하십시오:

1. 사이드바에서 Annotate으로 이동합니다.
2. New Dataset을 클릭합니다.
3. 데이터 소스 탭을 선택합니다(아래의 Data Sources 참조).
4. 이름을 추가합니다. URL slug는 자동으로 생성되며 편집할 수 있습니다. 설명은 선택 사항입니다.
5. 작업 유형(supported tasks 참조), 선택적 라이선스(available licenses 참조) 및 공개 또는 비공개 공개 범위를 선택합니다.
6. 로컬 파일에는 Create & Upload, URL 또는 연결된 소스에는 Create & Import, 빈 상태로 시작하려면 Create Dataset를 클릭합니다.

기존 데이터셋에 파일을 추가하려면, 해당 데이터셋 페이지를 열고 파일을 갤러리로 드래그하거나 페이지 헤더의 업로드 아이콘을 클릭하십시오. 데이터셋 태스크가 이미 정의되어 있으므로 업로드 아이콘을 클릭하면 브라우저의 기본 파일 선택기가 바로 열립니다.

데이터 소스#

New Dataset 대화 상자에서는 네 가지 소스를 제공합니다:

업로드 시작 전#

Platform은 업로드 전에 브라우저에서 파일을 검증하므로 일반적인 문제가 긴 전송 후가 아니라 즉시 표시됩니다. 아카이브의 손상 여부, 비어 있는지 여부, 암호 보호 여부 및 YAML 구문 오류를 검사하고, 크기가 초과된 파일은 이름별로 나열합니다.

그런 다음 두 개의 대화 상자가 표시될 수 있습니다:

업로드 후 플랫폼이 데이터를 자동으로 처리합니다:

graph LR
    A[Upload]:::start --> B[Validate]:::proc
    B --> C[Normalize]:::proc
    C --> D[Thumbnail]:::proc
    D --> E[Parse Labels]:::proc
    E --> F[Statistics]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

1. 검증: 형식 및 크기 확인
2. 정규화: 대형 이미지 크기 조정(최대 4096px, 최소 치수 28px), grayscale을 RGB로 확장, 투명도를 흰색 배경에 병합, EXIF 방향 적용
3. 썸네일: 256px WebP 미리보기를 생성합니다
4. Label Parsing: YOLO, COCO 및 NDJSON 레이블을 추출합니다
5. 통계: 클래스 분포와 이미지 크기를 계산합니다

from ultralytics.data.utils import check_det_dataset

check_det_dataset("path/to/data.yaml")

이미지 탐색#

여러 레이아웃으로 데이터셋 이미지를 확인합니다.

갤러리 도구 모음에서 Clustering 패널을 열어 데이터셋을 대화형 2D 산점도로 탐색합니다.

정렬 및 필터링#

효율적인 탐색을 위해 이미지를 정렬하고 필터링할 수 있습니다:

전체 화면 뷰어#

이미지를 클릭하면 다음 기능이 포함된 전체 화면 뷰어가 열립니다:

• 탐색: 화살표 키 또는 썸네일 미리보기를 사용하여 탐색합니다
• 이미지 정보: Platform에서 생성한 속성, 사용자 지정 메타데이터 및 EXIF와 같은 파일에 포함된 메타데이터를 검토합니다
• 사용자 지정 메타데이터: 소유자와 편집자는 최대 500,000개의 직렬화된 문자와 최대 128자의 최상위 키를 포함하는 중첩 값을 사용하여 JSON 객체를 추가하거나 교체할 수 있습니다
• 주석: 주석 오버레이 표시 여부를 전환합니다
• 클래스 분석: 색상 표시기가 포함된 클래스별 레이블 수
• 주석 작성: 편집 권한이 있으면 데스크톱에서 전체 화면 뷰어를 열 때 주석 컨트롤이 즉시 활성화됩니다
• 다운로드: 원본 이미지 파일을 다운로드합니다
• 삭제: 데이터셋에서 이미지를 삭제합니다
• 확대/축소: Cmd/Ctrl+Scroll, Cmd/Ctrl++ 또는 Cmd/Ctrl+=를 사용하여 확대하고, Cmd/Ctrl+-을 사용하여 축소합니다
• 보기 재설정: Cmd/Ctrl + 0 또는 재설정 버튼을 사용하여 이미지가 뷰어에 맞게 표시되도록 합니다
• 이동: 확대된 상태에서 Space을 누른 채 드래그하여 캔버스를 이동합니다
• 픽셀 보기: 자세히 검사할 수 있도록 픽셀 렌더링을 전환합니다
• Depth curtain: depth 데이터셋에서 드래그 가능한 구분선으로 RGB 이미지와 색상화된 depth map 사이를 전환합니다

분할별 필터링#

데이터셋 분할에 따라 이미지를 필터링합니다:

Clustering#

Clustering 패널은 데이터셋을 대화형 2D 산점도로 투영하며, 시각적으로 유사한 이미지가 서로 가까이 표시됩니다. 이를 사용하여 클러스터를 확인하고, 중복 이미지와 이상치를 찾고, 갤러리를 벗어나지 않고 데이터 전체에서 분할 또는 클래스가 어떻게 분포되어 있는지 검사할 수 있습니다. 모든 데이터셋 페이지의 갤러리 도구 모음에서 산점도 아이콘을 클릭하여 엽니다.

분석 실행#

분석을 시작합니다:

1. 데이터셋을 열고 갤러리 도구 모음에서 산점도 아이콘을 클릭합니다
2. Analyze Dataset을 클릭합니다.
3. 진행률 표시줄이 완료될 때까지 기다립니다. 결과는 동일한 패널에 표시됩니다

분석은 Computing embeddings 및 Clustering의 두 단계로 백그라운드에서 실행되며, 데이터셋 크기에 따라 몇 분이 걸릴 수 있습니다. 패널을 닫거나 페이지를 나갔다가 나중에 다시 돌아올 수 있습니다.

시각화#

분석이 완료되면 패널에 분석된 모든 이미지의 2D 산점도와 범례 및 포인트 카운터가 표시됩니다. 갤러리 필터(분할, 클래스, 레이블 있음/없음)는 필터에 포함되지 않은 포인트를 흐리게 표시하므로 관심 있는 하위 집합에 집중할 수 있습니다. 그러면 카운터가 visible / total points으로 표시됩니다.

색상 기준#

패널 툴바의 Color by 드롭다운으로 데이터 포인트의 음영 표시 방식을 변경합니다. 언제든지 보기 모드를 전환할 수 있으며, 플롯의 색상이 즉시 변경되어 클러스터 전체에 분할, 클래스 또는 이미지 속성이 어떻게 분포되어 있는지 확인할 수 있습니다:

라쏘 선택#

영역 주위에 자유 형식 선택 영역을 그려 플롯의 포인트를 강조 표시합니다. 갤러리가 일치하는 이미지로 필터링되므로 일반적인 이미지 작업을 사용하여 해당 이미지를 검사, 재라벨링, 이동 또는 삭제할 수 있습니다.

이동 및 확대/축소#

마우스와 키보드 또는 플롯 왼쪽 하단의 확대/축소 버튼을 사용하여 대규모 산점도를 직접 탐색할 수 있습니다:

재분석#

분석 후 데이터셋이 변경되거나 새 이미지가 추가되어 분석된 개수가 더 이상 데이터셋과 일치하지 않으면, 소유자와 편집자에게 패널 상단에 Re-analyze 버튼이 표시됩니다.

Re-analyze을 클릭하면 임베딩과 2D projection을 처음부터 다시 계산합니다.

유사한 이미지 찾기#

동일한 임베딩이 공개 데이터셋 전반에서 유사도 검색을 구동합니다. 편집할 수 있는 데이터셋에서 Grid 또는 Compact 보기의 이미지(또는 Table 보기에서 선택한 단일 행)를 마우스 우클릭하고 Find similar images를 선택하십시오. 대화상자는 데이터셋이 이미 보유하고 있는 이미지와 다른 데이터셋에 있는 선택된 이미지의 복사본을 제외하고, 소스 데이터셋, 라이선스, 유사도 점수와 함께 가장 가까운 공개 이미지를 최대 24개까지 나열합니다. 원하는 이미지를 선택하고 Add to dataset을 클릭하십시오. 해당 이미지는 라벨이 지정되지 않은 이미지로 train 분할에 추가되며, 스토리지 용량에 포함되고 annotation을 수행할 준비가 됩니다.

임베딩이 없는 이미지(아직 분석되지 않았거나 마지막 분석 이후에 추가된 데이터셋의 이미지)는 Analyze this dataset in Clustering to find similar images을 표시합니다. 이 대화상자는 connected datasets에서 사용할 수 없습니다. 모델의 per-image validation diagnostics는 성능이 가장 낮은 이미지부터 동일한 검색을 실행합니다.

데이터셋 탭#

각 데이터셋 페이지에는 데이터셋 상태와 권한에 따라 최대 6개의 탭이 표시될 수 있습니다:

이미지 탭#

annotation 오버레이가 표시되는 이미지 갤러리 기본 보기입니다. 그리드, 컴팩트 및 테이블 보기 모드를 지원합니다. 파일을 이곳으로 드래그 앤 드롭하여 이미지를 추가할 수 있습니다.

클래스 탭#

데이터셋에 이미지가 있고 해당 task에 클래스가 있을 때 이 탭이 표시됩니다.

데이터셋의 annotation 클래스를 관리합니다:

• 클래스 히스토그램: 클래스별 annotation 수를 빈도순으로 정렬하여 표시하는 막대 차트이며, 선형/log 스케일 전환을 지원합니다.
• 클래스 테이블: 인덱스, 이름, annotation 수 및 이미지 수가 포함된 정렬 및 검색 가능한 테이블입니다.
• 클래스 이름 편집: 클래스 이름을 클릭하여 인라인으로 이름을 변경합니다.
• 클래스 색상 편집: 색상 견본을 클릭하여 클래스 색상을 변경합니다.
• 새 클래스 추가: 하단의 입력란을 사용하여 클래스를 추가합니다.
• 클래스 병합: 두 개 이상의 행을 선택하고 Merge into one을 클릭합니다.
• 클래스 삭제: 하나 이상의 행을 선택하고 Delete을 클릭합니다.

클래스 병합#

병합하면 중복되거나 겹치는 라벨이 통합됩니다. 예를 들어 car, automobile, vehicle를 하나의 클래스로 합칠 수 있습니다:

1. 행 확인란을 사용하여 두 개 이상의 클래스를 선택합니다.
2. 테이블 헤더에서 Merge into one을 클릭하거나 선택 항목을 마우스 오른쪽 버튼으로 클릭합니다.
3. 선택한 클래스 중 다른 클래스가 병합될 대상을 선택합니다.
4. 확인합니다.

소스 클래스에 속한 모든 annotation이 대상 클래스로 재할당되고 소스 클래스는 제거됩니다. annotation은 삭제되지 않으므로 데이터셋의 총 annotation 수는 변경되지 않습니다.

클래스 삭제#

1. 행 확인란을 사용하여 하나 이상의 클래스를 선택합니다.
2. 테이블 헤더에서 Delete을 클릭하거나 선택 항목을 마우스 오른쪽 버튼으로 클릭합니다.
3. 확인합니다.

클래스를 삭제하면 해당 클래스 및 모든 annotation이 삭제됩니다. classification 데이터셋에서는 라벨이 삭제되지만 이미지는 유지되어 annotation이 없는 상태가 됩니다.

차트 탭#

데이터셋에 이미지가 있을 때 이 탭이 표시됩니다.

데이터셋에서 자동으로 계산되는 통계입니다:

차트는 다음 순서로 표시되며, 데이터셋에 해당 데이터가 없으면 각 차트가 생략됩니다. raw 이미지 데이터셋에는 annotation 차트가 표시되지 않으며, Points per Instance은 segment 및 pose 데이터에만 표시됩니다:

모델 탭#

검색 가능한 테이블에서 이 데이터셋으로 학습된 모든 모델을 확인합니다:

오류 탭#

하나 이상의 파일 처리에 실패한 경우에만 이 탭이 표시됩니다.

처리에 실패한 이미지는 다음 정보와 함께 여기에 나열됩니다:

• 오류 배너: 실패한 이미지의 총 개수 및 안내
• 오류 테이블: 파일 이름, 사용자 친화적인 오류 설명, 수정 안내 및 미리보기 썸네일
• 일반적인 오류로는 손상된 파일, 지원되지 않는 형식, 너무 작은 이미지(최소 28px), 지원되지 않는 색상 모드가 있습니다.

버전 탭#

재현 가능한 학습을 위해 데이터셋의 변경 불가능한 NDJSON 스냅샷을 생성합니다. 각 버전에는 생성 시점의 이미지 수, 클래스 수, 어노테이션 수 및 파일 크기가 기록됩니다.

버전을 생성하려면 다음을 수행합니다:

1. Versions 탭을 엽니다.
2. 선택적으로 설명을 입력합니다(예: "학습 이미지 500개 추가" 또는 "잘못 지정된 클래스 수정").
3. New Version을 클릭합니다.
4. 새 버전이 테이블에 표시됩니다.

각 버전에는 순차적인 번호(v1, v2, v3...)가 지정되며 변경할 수 없습니다. 버전 자체는 편집하거나 삭제할 수 없고 설명만 변경할 수 있습니다. 행 작업을 사용하면 언제든지 모든 버전을 다운로드하거나 복원할 수 있습니다.

데이터셋 내보내기#

데이터셋 헤더 또는 버전 탭에서 NDJSON을 다운로드하여 오프라인에서 사용할 수 있도록 데이터셋을 내보냅니다.

내보내려면 다음을 수행합니다:

1. 데이터셋 헤더에서 Download 버튼(다운로드 아이콘)을 클릭합니다.
2. 현재 NDJSON 스냅샷을 직접 다운로드합니다.
3. 나중에 다시 다운로드할 수 있는 변경 불가능한 번호 지정 스냅샷이 필요하면 Versions 탭을 사용합니다.

NDJSON 형식은 줄당 하나의 JSON 객체를 저장합니다. 첫 번째 줄에는 데이터셋 메타데이터가 포함되며, 그 뒤에 이미지당 한 줄씩 이어집니다.

{"type": "dataset", "task": "detect", "name": "my-dataset", "description": "...", "bytes": 12345678, "url": "https://platform.ultralytics.com/...", "class_names": {"0": "person", "1": "car"}, "version": 1, "created_at": "2026-01-15T10:00:00Z", "updated_at": "2026-02-20T14:30:00Z"}
{"type": "image", "file": "img001.jpg", "url": "https://...", "width": 640, "height": 480, "split": "train", "metadata": {"location": {"site": "factory-1"}, "reviewed": true}, "annotations": {"boxes": [[0, 0.5, 0.5, 0.2, 0.3]]}}
{"type": "image", "file": "img002.jpg", "url": "https://...", "width": 1280, "height": 720, "split": "val"}

선택적 이미지 수준 metadata 객체는 NDJSON 파일을 Platform으로 가져올 때 보존됩니다. 이미지의 전체 화면 정보 패널에서 이를 확인하거나 편집할 수 있습니다. 프로그래밍 방식의 아카이브 업로드에서는 Ingest Dataset Data API가 이에 해당하는 imageMetadata 경로 맵을 허용합니다.

Pose 데이터셋에는 데이터셋 헤더 줄에 kpt_shape 필드도 포함되며, 해당 필드가 아직 설정되지 않은 경우 어노테이션에서 추론됩니다.

Depth 내보내기는 데이터셋 줄에 "task": "depth" 및 "depth_scale": 1000을 선언합니다. 각 이미지 줄에는 연결된 일반 uint16 PNG에 대한 depth.url가 포함됩니다. Ultralytics는 이미지 및 depth URL을 동시에 다운로드하고 동일한 스케일을 사용하는 학습 YAML을 작성하므로 NDJSON 파일을 model.train(data=...)에 직접 전달할 수 있습니다.

전체 사양은 Ultralytics NDJSON 형식 문서를 참조하십시오.

이미지 작업#

빠른 작업#

Grid 또는 Compact 보기에서 이미지를 마우스 오른쪽 버튼으로 클릭하면 빠른 작업에 액세스할 수 있습니다:

분할로 일괄 이동#

선택한 이미지를 동일한 데이터셋 내의 다른 분할로 재할당합니다:

1. Table 보기로 전환합니다
2. 체크박스를 사용하여 이미지를 선택합니다
3. 마우스 오른쪽 버튼을 클릭하여 컨텍스트 메뉴를 엽니다
4. Move to split > Train, Validation 또는 Test를 선택합니다

그리드 보기에서 이미지를 분할 필터 탭으로 끌어다 놓을 수도 있습니다. 이미지를 이동할 때 대상 분할에 동일한 이미지가 이미 있어 충돌이 발생하면 Platform에서 건너뛰기, 둘 다 유지 또는 교체 중 무엇을 수행할지 묻습니다.

분할 재분배#

사용자 지정 비율을 사용하여 모든 이미지를 train, validation 및 test 분할에 재분배합니다:

1. 데이터셋 툴바에서 split bar를 클릭하여 Redistribute Splits 대화 상자를 엽니다
2. 아래 방법 중 하나를 사용하여 분할 비율을 조정합니다
3. 실시간 이미지 수 미리보기를 확인하여 분포를 검증합니다
4. Apply를 클릭하여 설정한 비율에 따라 모든 이미지를 무작위로 다시 할당합니다

이 대화상자는 대상 분할 비율을 설정하는 세 가지 방법을 제공합니다.

실시간 미리보기에서 적용하기 전에 각 분할에 배정될 이미지 수를 정확히 확인할 수 있습니다.

일괄 삭제#

여러 이미지를 한 번에 삭제합니다:

1. Table 보기에서 이미지를 선택합니다
2. 마우스 오른쪽 버튼을 클릭하고 Delete을 선택하거나 Cmd/Ctrl+Delete을 누릅니다
3. 삭제를 확인합니다.

데이터셋 URI#

ul:// URI 형식을 사용하여 Platform 데이터셋을 참조합니다(Using Platform Datasets 참조):

ul://username/datasets/dataset-slug

데이터셋 또는 모델 웹 URL을 직접 붙여넣을 수도 있습니다(예: https://platform.ultralytics.com/username/datasets/dataset-slug). 해당 URL은 자동으로 ul:// URI로 다시 작성됩니다. 데이터셋 목록을 전달하면 각 데이터셋에 대해 하나의 기본 모델을 순차적으로 fine-tuning합니다(예: model.train(data=["ul://username/datasets/a", "ul://username/datasets/b"])).

어디서나 모델을 학습하려면 이 URI를 사용합니다:

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

사용 가능한 라이선스#

Platform은 데이터셋에 대해 다음 라이선스를 지원합니다:

공개 설정#

데이터셋을 볼 수 있는 사용자를 제어합니다:

공개 설정은 New Dataset 대화 상자에서 토글 스위치를 사용하여 데이터셋을 생성할 때 지정합니다. 공개 데이터셋은 Explore 페이지에 표시됩니다.

데이터셋 편집#

데이터셋 메타데이터는 대화 상자 없이 데이터셋 페이지에서 직접 인라인으로 편집합니다:

• 이름: 데이터셋 이름을 클릭하여 편집합니다. 변경 사항은 포커스를 잃거나 Enter을 누르면 자동 저장됩니다. 이름은 100자로 제한됩니다.
• 설명: 설명(또는 "설명을 추가하세요..." 자리 표시자)을 클릭하여 편집합니다. 변경 사항은 자동 저장됩니다. 설명은 1,000자로 제한됩니다.
• Task type: task 배지를 클릭하여 다른 task type을 선택합니다.
• 라이선스: 라이선스 선택기를 클릭하여 데이터셋 라이선스를 변경합니다.
• 아이콘: 데이터셋 아이콘을 클릭하여 직접 이미지를 업로드하거나, 데이터셋 자체 이미지 중 하나를 아이콘으로 지정하거나, 문자와 색상을 선택합니다.

사용자 지정 메타데이터#

추가 작업을 열고 정보를 선택하여 다음 두 섹션을 검토합니다.

• Ultralytics Metadata: 데이터셋 ID, 소유자, task, 이미지 및 주석 수, 스토리지 리전, 타임스탬프 등 읽기 전용 Platform 세부 정보입니다
• Custom Metadata: 데이터 출처, 캡처 조건, 고객 ID, 거버넌스 또는 기타 맥락 데이터를 위한 사용자의 JSON 객체입니다

워크스페이스 뷰어는 메타데이터를 확인할 수 있으며, 편집 액세스 권한이 있는 멤버는 사용자 지정 메타데이터 객체를 교체할 수 있습니다. 직렬화된 메타데이터 객체는 500,000자로 제한되며 각 최상위 키는 128자로 제한됩니다. 빈 객체({})를 저장하면 사용자 지정 메타데이터가 삭제됩니다.

데이터셋 복제#

소유하지 않은 공개 데이터셋을 보고 있을 때 Clone Dataset을 클릭하여 복제 대화 상자를 엽니다. 대상 워크스페이스, 이름, 공개 설정 및 라이선스를 검토한 다음 복제를 확인합니다. 복사본에는 모든 이미지, 주석 및 클래스 정의가 포함됩니다. 공개 소스 데이터셋은 기본 공개 설정이 공개인 워크스페이스에서 기본적으로 공개 상태를 유지하며, Enterprise 워크스페이스의 복제본은 기본적으로 비공개입니다. 원본 데이터셋에 카피레프트 라이선스가 적용된 경우 복제본이 해당 라이선스를 상속하며 라이선스 선택기가 잠깁니다.

대상 slug가 이미 사용 중이면 자동으로 이름이 변경되며, 복제하려면 복사본을 저장할 수 있는 충분한 잔여 스토리지 할당량이 필요합니다.

별표 및 공유#

• 별표: 별표 버튼을 클릭하여 데이터셋을 북마크합니다. 별표 수는 모든 사용자에게 표시됩니다.
• 공유: 공개 데이터셋의 경우 공유 버튼을 클릭하여 링크를 복사하거나, embed snippet을 가져오거나, 소셜 플랫폼에 공유합니다.

데이터셋 삭제#

더 이상 필요하지 않은 데이터셋을 삭제합니다:

1. 데이터셋 헤더에서 More actions(… 버튼)를 엽니다
2. Delete Dataset을 선택합니다
3. 대화 상자에서 다음을 확인합니다. "이 작업을 수행하면 [name]이(가) 휴지통으로 이동합니다. 30일 이내에 복원할 수 있습니다."

같은 메뉴에 정보도 있으며, 이를 클릭하면 사용자 지정 메타데이터에 설명된 메타데이터 대화 상자가 열립니다. 또한 새로 고침을 클릭하면 서버에서 데이터셋을 다시 읽습니다.

데이터셋으로 학습#

데이터셋에서 직접 학습을 시작합니다.

1. 데이터셋 페이지에서 New Model을 클릭합니다.
2. 프로젝트를 선택하거나 새 프로젝트를 생성합니다.
3. 학습 매개변수를 구성합니다.
4. 학습을 시작합니다.

graph LR
    A[Dataset]:::start --> B[New Model]:::proc
    B --> C[Select Project]:::proc
    C --> D[Configure]:::proc
    D --> E[Start Training]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

자세한 내용은 클라우드 학습을 참조하세요.

FAQ#