데이터셋#

Ultralytics Platform 데이터셋은 학습 데이터를 효율적으로 관리할 수 있는 솔루션입니다. 업로드 후 플랫폼에서 이미지, 라벨 및 통계를 자동으로 처리합니다.

처리가 완료되고 train 분할에 이미지가 하나 이상 있으며, val 또는 test 분할 중 하나에 이미지가 하나 이상 있고, 라벨이 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 확인할 수 있습니다.

에이전트로 이미지 수집#

모델 감지 결과가 지정된 범위 내의 신뢰도와 같은 조건을 충족할 때 에이전트를 사용해 데이터셋에 이미지를 추가하세요. 조건을 데이터셋 블록에 연결하고 편집 가능한 대상 데이터셋을 선택하세요. 이미지는 라벨이 지정되지 않은 상태로 train 분할에 추가되며, 이미 존재하는 사본은 건너뜁니다. 기존 어노테이션 편집기에서 이미지를 검토하고 라벨을 지정하세요.

데이터셋 업로드#

Ultralytics Platform은 유연성을 위해 다양한 업로드 형식을 지원합니다.

지원 형식#

동영상 코덱 지원#

파일 확장자만으로는 충분하지 않습니다. 처리 중에 코덱을 디코딩할 수 없으면 동영상 처리가 실패할 수 있습니다.

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

데이터셋 준비#

Platform은 Ultralytics YOLO, COCO, LabelMe JSON, 시맨틱 PNG 마스크, 깊이 데이터셋, Ultralytics NDJSON 및 Labelbox NDJSON, 그리고 원시(어노테이션이 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

레이블에서 클래스 ID를 참조하지만 클래스 이름을 제공하지 않은 경우, Platform은 ID를 0부터 시작하는 연속된 시퀀스로 재매핑하고 각 클래스의 이름을 원본 ID(class0, class3, …)로 지정합니다. 이후 Classes 탭에서 이름을 변경할 수 있습니다.

작업별 형식에 대한 자세한 내용은 지원되는 작업 및 데이터셋 개요를 참조하세요.

업로드 프로세스#

데이터셋을 만들려면:

1. 사이드바에서 Annotate으로 이동합니다
2. New Dataset을 클릭합니다.
3. 데이터 소스 탭을 선택합니다(아래 데이터 소스 참조).
4. 이름을 입력합니다. URL 슬러그는 자동으로 생성되며 수정할 수 있습니다. 설명은 선택 사항입니다.
5. 작업 유형(지원되는 작업 참조), 선택적 라이선스(사용 가능한 라이선스 참조), 공개 범위(공개 또는 비공개)를 선택합니다.
6. 로컬 파일은 Create & Upload, URL 또는 연결된 소스는 Create & Import, 빈 상태로 시작하려면 Create Dataset를 클릭합니다.

기존 데이터셋에 파일을 추가하려면 데이터셋 페이지를 열고 파일을 갤러리로 끌어다 놓거나 페이지 헤더의 업로드 아이콘을 클릭합니다. 데이터셋 작업이 이미 정의되어 있으므로 업로드 아이콘을 클릭하면 브라우저의 기본 파일 선택기가 바로 열립니다.

데이터 소스#

New Dataset 대화상자에는 네 가지 소스가 제공됩니다.

Depth 데이터셋은 업로드 또는 URL로만 만들 수 있습니다. Depth 작업에서는 Cloud 및 On Premise 탭이 비활성화됩니다.

업로드 시작 전#

Platform은 파일을 업로드하기 전에 브라우저에서 파일을 검증하므로, 일반적인 문제를 긴 전송이 끝난 뒤가 아니라 즉시 확인할 수 있습니다. 아카이브의 손상 여부, 비어 있는지 여부, 암호로 보호되어 있는지 여부 및 YAML 구문 오류를 확인하며, 크기 초과 파일은 이름별로 표시됩니다.

이후 두 가지 대화상자가 표시될 수 있습니다.

업로드 후 Platform은 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), 그레이스케일을 RGB로 확장, 투명도를 흰색 배경에 병합, EXIF 방향 정보 적용. TIFF 원본은 업로드된 그대로 저장됩니다.
3. 썸네일: 256px WebP 미리보기를 생성합니다.
4. 레이블 파싱: YOLO, COCO, LabelMe, Ultralytics 또는 Labelbox 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 클러스터링 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 제공되는 전체 화면 뷰어가 열립니다.

• 탐색: 화살표 키 또는 썸네일 미리보기를 사용해 이미지를 탐색합니다.
• 이미지 정보: Platform에서 생성한 속성, 사용자 지정 메타데이터 및 EXIF와 같은 파일에 포함된 메타데이터를 확인합니다.
• 사용자 지정 메타데이터: 소유자와 편집자는 중첩 값을 포함한 JSON 객체를 추가하거나 교체할 수 있으며, 직렬화된 문자 수는 최대 500,000자, 최상위 키는 최대 128자까지 가능합니다.
• 주석: 주석 오버레이 표시 여부를 전환합니다.
• 클래스 분석: 클래스별 레이블 수와 색상 표시기입니다.
• 주석 작성: 편집 권한이 있는 경우 데스크톱에서 전체 화면 뷰어가 열리는 즉시 주석 컨트롤을 사용할 수 있습니다.
• 얼굴 흐리게 처리: 주석을 마우스 오른쪽 버튼으로 클릭하면 이미지에서 얼굴 흐림 처리를 미리 보고 적용할 수 있습니다(사용 가능한 경우).
• 다운로드: 원본 이미지 파일을 다운로드합니다.
• 삭제: 데이터셋에서 이미지를 삭제합니다.
• 확대/축소: Cmd/Ctrl+Scroll, Cmd/Ctrl++ 또는 Cmd/Ctrl+=를 사용해 확대하고, Cmd/Ctrl+-을 사용해 축소합니다.
• 보기 초기화: Cmd/Ctrl + 0 또는 초기화 버튼을 사용해 이미지가 뷰어에 맞게 표시되도록 합니다.
• 이동: Space을 누른 채 드래그하거나 마우스 가운데 버튼으로 드래그하여 확대 수준과 관계없이 캔버스를 이동합니다.
• 픽셀 보기: 자세히 살펴볼 수 있도록 픽셀화 렌더링을 전환합니다.
• 깊이 커튼: 깊이 데이터셋에서 드래그할 수 있는 구분선을 움직여 RGB 이미지와 색상화된 깊이 맵을 번갈아 표시합니다.

분할 기준 필터링#

데이터셋 분할을 기준으로 이미지를 필터링합니다:

클러스터링#

Clustering 패널은 데이터셋을 대화형 2D 산점도로 투영하며, 시각적으로 유사한 이미지일수록 서로 가깝게 배치됩니다. 이 패널을 사용하면 갤러리를 벗어나지 않고도 클러스터를 찾아내고, 중복 이미지와 이상치를 발견하며, 데이터 전반에 걸쳐 분할 또는 클래스가 어떻게 분포되어 있는지 살펴볼 수 있습니다. 데이터셋 페이지에서 갤러리 도구 모음의 산점도 아이콘을 클릭해 패널을 여십시오. 이 패널은 데스크톱에서만 사용할 수 있으며, 편집 권한이 없는 뷰어는 데이터셋 분석이 완료된 후 아이콘을 볼 수 있습니다.

분석 실행#

분석을 시작하려면 다음을 수행합니다:

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

분석은 백그라운드에서 Computing embeddings 및 Clustering의 두 단계로 실행되며, 데이터셋 크기에 따라 몇 분 정도 걸릴 수 있습니다. 패널을 닫거나 페이지를 떠난 다음 나중에 다시 돌아와도 됩니다.

시각화#

분석이 완료되면 패널에 분석된 모든 이미지의 2D 산점도와 범례 및 포인트 수가 표시됩니다. 갤러리 필터(분할, 클래스, 레이블 유무)를 적용하면 필터에 해당하지 않는 포인트가 흐리게 표시되어 원하는 하위 집합에 집중할 수 있으며, 포인트 수는 visible / total points으로 표시됩니다.

색상 기준#

패널 도구 모음의 Color by 드롭다운을 사용해 데이터 포인트의 색상 표시 방식을 변경합니다. 언제든지 보기 모드를 전환할 수 있으며, 분할, 클래스 또는 이미지 속성이 클러스터 전반에 걸쳐 어떻게 분포되어 있는지 확인할 수 있도록 플롯의 색상이 즉시 바뀝니다:

올가미 및 클릭 선택#

영역 주위에 자유 형식으로 선택 영역을 그려 플롯의 포인트를 강조하거나, 포인트를 클릭해 같은 색상으로 표시된 모든 포인트를 선택합니다(너비, 높이, 크기 또는 주석 기준으로 색상을 지정하는 경우에는 해당 포인트만 선택됨). 선택을 해제하려면 플롯의 빈 곳을 클릭합니다. 갤러리에는 일치하는 이미지가 필터링되어 표시되므로 일반적인 이미지 작업을 사용해 이미지를 살펴보고, 레이블을 다시 지정하고, 이동하거나 삭제할 수 있습니다.

이동 및 확대/축소#

마우스와 키보드 또는 플롯 왼쪽 아래의 확대/축소 버튼을 사용해 큰 산점도를 탐색합니다:

재분석#

분석 후 데이터셋이 변경되거나(새 이미지가 추가되거나 분석된 이미지 수가 더 이상 데이터셋과 일치하지 않는 경우), 분석이 클러스터 색상 옵션보다 이전 버전인 경우 소유자와 편집자는 패널 상단에 Re-analyze 버튼을 볼 수 있습니다.

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

유사 이미지 찾기#

동일한 임베딩을 사용해 공개 데이터셋과 사용자의 데이터셋 및 팀 데이터셋 전반에서 유사도를 검색할 수 있습니다. 편집할 수 있는 데이터셋에서 그리드 또는 컴팩트 보기의 이미지를 마우스 오른쪽 버튼으로 클릭하거나 테이블 보기에서 행 하나를 선택한 다음 유사 이미지 찾기를 선택합니다. 대화 상자에는 원본 이미지와 가장 가까운 이미지가 최대 24개까지 표시되며, 각 이미지에는 유사도 점수가 표시됩니다. 이때 데이터셋에 이미 포함된 이미지와 선택한 이미지의 다른 데이터셋 내 복사본은 제외됩니다. 이미지를 클릭하면 전체 크기로 미리 보고 해당 이미지의 원본 데이터셋, 라이선스 및 유사도 점수를 확인할 수 있습니다. 체크박스를 사용해 이미지를 선택하거나 전체 선택한 다음 데이터셋에 N개 추가를 클릭합니다. 선택한 이미지는 레이블이 지정되지 않은 이미지로 train 분할에 추가되며, 스토리지 사용량에 포함되고 주석을 작성할 수 있는 상태가 됩니다.

임베딩이 없는 이미지(아직 분석하지 않은 데이터셋의 이미지 또는 마지막 분석 이후 추가된 이미지)는 대화 상자를 열 때 임베딩되므로 먼저 클러스터링 분석을 실행할 필요가 없습니다. 연결된 데이터셋에서는 대화 상자를 사용할 수 없습니다. 모델의 이미지별 검증 진단은 성능이 가장 낮은 이미지를 대상으로 동일한 검색을 실행합니다.

데이터셋 탭#

데이터셋 상태와 사용자 권한에 따라 각 데이터셋 페이지에 최대 6개의 탭이 표시됩니다:

이미지 탭#

주석 오버레이와 함께 이미지 갤러리를 표시하는 기본 보기입니다. 그리드, 컴팩트, 테이블 보기 모드를 지원합니다. 여기에 파일을 끌어다 놓아 이미지를 추가할 수 있습니다.

클래스 탭#

데이터셋에 이미지가 있고 해당 작업에 클래스가 지정된 경우 이 탭이 표시됩니다.

데이터셋의 주석 클래스를 관리합니다:

• 클래스 히스토그램: 클래스별 주석 수를 빈도순으로 표시하는 막대 차트이며, 선형/로그 눈금 전환 기능을 제공합니다.
• 클래스 테이블: 인덱스, 이름, 주석 수 및 이미지 수가 포함된 정렬 및 검색 가능한 테이블입니다.
• 클래스 이름 편집: 클래스 이름을 클릭해 인라인으로 이름을 변경합니다.
• 클래스 색상 편집: 색상 견본을 클릭해 클래스 색상을 변경합니다.
• 새 클래스 추가: 하단의 입력란을 사용해 클래스를 추가합니다.
• 클래스 병합: 행을 두 개 이상 선택한 다음 Merge into one을 클릭합니다.
• 클래스 삭제: 행을 하나 이상 선택한 다음 Delete을 클릭합니다.

클래스 병합#

병합은 중복되거나 겹치는 레이블을 통합합니다. 예를 들어 car, automobile, vehicle를 하나의 클래스로 통합할 수 있습니다:

1. 행 체크박스를 사용해 클래스를 두 개 이상 선택합니다.
2. 테이블 헤더에서 Merge into one을 클릭하거나 선택 항목을 마우스 오른쪽 버튼으로 클릭합니다.
3. 선택한 클래스 중 나머지 클래스가 병합될 대상 클래스를 선택합니다.
4. 확인합니다.

원본 클래스에 속한 모든 주석이 대상 클래스로 재할당되고 원본 클래스는 제거됩니다. 주석은 삭제되지 않으므로 데이터셋의 총 주석 수는 변경되지 않습니다.

클래스 삭제#

1. 행 체크박스를 사용해 클래스를 하나 이상 선택합니다.
2. 테이블 헤더에서 Delete을 클릭하거나 선택 항목을 마우스 오른쪽 버튼으로 클릭합니다.
3. 확인합니다.

클래스를 삭제하면 클래스 및 해당 클래스의 모든 주석이 제거됩니다. 분류 데이터셋에서는 레이블만 제거되고 이미지는 남아 레이블이 없는 상태가 됩니다.

차트 탭#

데이터셋에 이미지가 있으면 이 탭이 표시됩니다.

데이터셋에서 자동으로 계산되는 통계:

차트는 다음 순서로 표시되며, 해당 데이터가 없는 경우 각 차트는 생략됩니다. 원시 이미지 데이터셋에는 어노테이션 차트가 표시되지 않으며, Points per Instance은 세그먼테이션 및 포즈 데이터에만 표시됩니다:

모델 탭#

검색 가능한 표에서 이 데이터셋으로 학습한 모든 모델을 확인할 수 있습니다:

오류 탭#

하나 이상의 파일 처리에 실패한 경우에만 이 탭이 표시됩니다.

처리에 실패한 이미지가 이곳에 다음 정보와 함께 표시됩니다:

• 오류 배너: 실패한 이미지의 총수 및 안내
• 오류 표: 파일 이름, 사용자 친화적인 오류 설명, 수정 안내 및 미리보기 썸네일
• 일반적인 오류에는 손상된 파일, 지원되지 않는 형식, 너무 작은 이미지(최소 28px), 지원되지 않는 색상 모드 등이 있습니다.

버전 탭#

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

버전을 생성하려면:

1. 버전 탭을 엽니다.
2. 원하는 경우 설명을 입력합니다(예: "학습 이미지 500개 추가" 또는 "잘못 라벨링된 클래스 수정").
3. 새 버전을 클릭합니다.
4. 새 버전이 표에 표시됩니다. 예를 들어 복원 직후처럼 데이터셋이 기존 버전과 일치하면 해당 버전을 재사용하며, 설명을 입력한 경우 새 설명이 적용됩니다.

각 버전은 순차적으로 번호가 매겨지며(v1, v2, v3...), 변경할 수 없습니다. 버전은 편집하거나 삭제할 수 없으며 설명만 변경할 수 있습니다. 행의 작업 메뉴를 사용하면 언제든지 버전을 다운로드하거나 복원할 수 있습니다.

버전 비교#

v1 이후의 버전에서 비교 아이콘을 클릭하면 이전 버전 이후의 변경 사항을 확인할 수 있습니다. 버전 비교는 기본적으로 이전 버전부터 시작하며, 시작 버전 메뉴에서 다른 버전을 선택할 수 있습니다. 이미지, 어노테이션, 클래스, 설정 아래에 그룹화된 칩에는 추가, 삭제, 수정 또는 다른 분할로 이동한 이미지 수와 추가 및 삭제된 어노테이션 수가 표시되며, 추가, 삭제 또는 이름이 변경된 클래스와 변경된 데이터셋 설정의 이름이 표시됩니다. 변경된 각 이미지는 배지와 함께 나열됩니다. 이미지를 선택하면 이전 및 이후 상태를 확인할 수 있으며, 양쪽에는 해당 버전에 저장된 라벨이 표시됩니다. 이미지와 어노테이션이 동일하면 대화 상자에 변경 사항 없음이 표시됩니다. 클래스 정의나 데이터셋 설정만 다른 경우에는 이미지 변경 사항 없음이 표시됩니다.

데이터셋 내보내기#

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

내보내려면:

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

NDJSON 형식은 한 줄에 하나의 JSON 객체를 저장합니다. 첫 번째 줄에는 데이터셋 메타데이터가 포함되고, 그 뒤로 이미지마다 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 유지됩니다. 이미지의 전체 화면 정보 패널에서 확인하거나 수정할 수 있습니다. 프로그래밍 방식으로 아카이브를 업로드하려면 데이터셋 데이터 수집 API에서 이에 해당하는 imageMetadata 경로 맵을 사용할 수 있습니다.

포즈 데이터셋의 경우, 데이터셋 헤더 줄에 kpt_shape 필드도 포함됩니다. 이 필드가 아직 설정되지 않았으면 어노테이션을 바탕으로 추론됩니다.

Depth 내보내기는 데이터셋 줄에 "task": "depth" 및 "depth_scale": 1000을 선언합니다. 각 이미지 줄에는 페어링된 일반 uint16 PNG의 depth.url가 포함됩니다. Ultralytics는 이미지와 depth URL을 동시에 다운로드하고 같은 스케일을 사용해 학습 YAML을 작성하므로 NDJSON 파일을 model.train(data=...)에 바로 전달할 수 있습니다.

전체 사양은 Ultralytics NDJSON 형식 문서를 참조하세요.

이미지 작업#

빠른 작업#

Grid 또는 Compact 보기에서 이미지를 마우스 오른쪽 버튼으로 클릭하거나, Table 보기에서 행 하나만 선택한 후 마우스 오른쪽 버튼을 클릭하면 빠른 작업에 액세스할 수 있습니다. 사용 가능한 작업은 편집 권한과 데이터셋 소스에 따라 다릅니다.

분할로 일괄 이동#

선택한 이미지를 동일한 데이터셋 내의 다른 분할로 다시 할당합니다.

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 있으면 Platform에서 건너뛰기, 두 이미지 모두 유지 또는 바꾸기 중 하나를 선택하라는 메시지가 표시됩니다.

분할 재분배#

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

1. 데이터셋 툴바의 분할 막대를 클릭하여 분할 재분배 대화상자를 엽니다.
2. 아래 방법 중 하나를 사용하여 분할 비율을 조정합니다.
3. 실시간 이미지 수 미리보기를 확인하여 분포를 검토합니다.
4. 적용을 클릭하여 지정한 비율에 따라 모든 이미지를 무작위로 다시 할당합니다.

대화상자에서 목표 분할 비율을 설정하는 세 가지 방법을 제공합니다.

적용하기 전에 각 분할에 배정될 이미지 수를 실시간 미리보기로 정확하게 확인할 수 있습니다.

일괄 삭제#

여러 이미지를 한 번에 삭제합니다.

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

이미지 복사 및 이동#

다른 워크스페이스의 데이터셋을 포함하여 편집 가능한 데이터셋에서 다른 데이터셋으로 이미지를 복사하거나 이동합니다.

1. 소스 데이터셋의 Grid 또는 Compact 보기에서 이미지를 마우스 오른쪽 버튼으로 클릭하고 복사 또는 잘라내기를 선택하거나, Table 보기에서 이미지를 선택한 다음 Cmd/Ctrl+C 또는 Cmd/Ctrl+X을 누릅니다. Esc를 누르면 클립보드가 비워집니다.
2. 대상 데이터셋을 열고 이미지를 마우스 오른쪽 버튼으로 클릭한 다음 붙여넣기를 선택하거나 Cmd/Ctrl+V을 누릅니다.

붙여넣은 이미지는 라벨과 분할을 유지하며, 대상 데이터셋에 같은 분할의 이미지가 이미 있으면 해당 이미지는 건너뜁니다. 잘라내기는 붙여넣은 이미지를 소스 데이터셋에서 제거하지만, 복사는 소스 데이터셋을 변경하지 않습니다. 복사한 이미지에 라벨이 없어도 소스와 대상의 태스크, 이미지 채널, 포즈 키포인트 설정, depth scale은 서로 호환되어야 합니다. 비어 있는 대상 데이터셋은 설정되지 않은 이미지 채널 및 포즈 설정을 상속할 수 있습니다. 이미지는 연결된 데이터셋에 붙여넣을 수 없습니다.

클래스는 이름을 기준으로 일치 여부를 확인하며, 한두 글자 이름을 제외하고 대소문자를 무시합니다. 대상에 클래스가 없으면 소스의 클래스 목록을 사용합니다. 붙여넣은 이미지에서 대상에 없는 클래스를 사용하면 클래스 매핑 대화상자에서 각 클래스를 데이터셋 클래스나 새 클래스에 매핑하거나, 해당 클래스의 레이블을 제외하려면 포함 체크박스를 선택 해제하도록 안내합니다. 어느 쪽을 선택하든 이미지는 붙여넣습니다.

유사 이미지 생성#

이미 보유한 이미지에서 새로운 학습 이미지를 생성합니다. 편집 가능한 데이터셋의 Grid 또는 Compact 보기에서 이미지(또는 Table 보기에서 선택한 단일 행)를 마우스 오른쪽 버튼으로 클릭하고 유사 이미지 생성을 선택합니다. Platform은 이미지에서 영감을 얻은 새로운 장면을 설명하고 각 장면의 이미지를 하나씩 생성하므로, 결과물은 원본을 복사하지 않으면서 원본의 피사체와 스타일을 공유합니다.

Ultralytics Image 9B와 Krea 2 Turbo도 목록에 표시되지만, 얼리 액세스를 켠 후에만 선택할 수 있습니다. Krea 2 Turbo가 가장 느린 옵션입니다. 지원되는 경우 원본의 가로세로 비율을 유지합니다. 매우 좁은 이미지에는 더 긴 긴 변 길이가 필요할 수 있으며, 출력 크기는 생성기가 지원하는 크기로 반올림 및 제한됩니다.

생성을 클릭하거나 지침에서 ⌘/Ctrl+Enter를 누릅니다. 이미지 생성이 완료되는 대로 표시되며 모든 이미지가 선택된 상태로 나타납니다. 중지를 누르면 실행 중인 배치가 종료되지만, 이미 도착한 이미지는 유지됩니다. 다른 지침이나 설정을 시도하려면 해당 항목을 변경하고 더 생성을 클릭합니다. 새 배치는 이전 배치 위에 표시되며, 이전 이미지의 선택 상태도 유지됩니다. 이미지를 클릭하여 전체 크기로 보고, 원하지 않는 이미지의 체크박스를 해제한 다음 N개를 데이터셋에 추가를 클릭합니다. 선택한 이미지는 소스 이미지 이름을 사용하고 라벨 없이 JPEG로 업로드되며, 저장 공간에 포함되고 어노테이션을 추가할 수 있습니다. 이미지에는 현재 활성화된 분할 필터가 적용됩니다. train에 이미지를 추가하려면 생성 전에 Train을 선택합니다. 전체를 선택하면 필요한 경우 validation 분할의 자동 설정을 포함하여 일반적인 업로드 분할 할당이 적용됩니다. 취소를 누르면 미리보기가 삭제되고 이미지가 추가되지 않습니다. 생성된 이미지에는 데이터셋의 업로드 시 얼굴 흐리게 처리 설정이 적용됩니다. 이 작업은 연결된 데이터셋에서 사용할 수 없습니다.

얼굴 흐리게 처리#

편집 가능한 데이터셋에서 이미지의 얼굴을 흐리게 처리하여 데이터에 포함된 사람의 개인정보를 보호할 수 있습니다. 얼굴 흐리게 처리는 연결된 데이터셋이나 이미지 채널이 3개보다 많은 데이터셋에서는 사용할 수 없습니다.

• 이미지 한 장: Grid 또는 Compact 보기에서 이미지를 마우스 오른쪽 버튼으로 클릭하거나(또는 Table 보기에서 선택한 단일 행을 마우스 오른쪽 버튼으로 클릭하거나) 전체 화면 뷰어에서 어노테이션을 마우스 오른쪽 버튼으로 클릭한 다음 얼굴 흐리게 처리를 선택합니다.
• 전체 데이터셋: 데이터셋 페이지에서 추가 작업(⋯)을 열고 얼굴 흐리게 처리를 선택합니다.

대화상자에는 변경 사항을 적용하지 않은 상태로 감지된 얼굴의 미리보기가 먼저 표시됩니다. 최대 6개 이미지(또는 단일 이미지)를 미리 볼 수 있습니다. 신뢰도(기본값 0.25)와 박스 배율(0.5–1.5, 기본값 1; 얼굴 박스의 중심을 기준으로 크기를 조정함)을 조정하여 미리보기를 다시 실행한 다음, 적용을 클릭하면 얼굴이 감지된 모든 이미지의 원본 픽셀이 대체됩니다. 얼굴이 감지되지 않은 이미지는 변경되지 않고 라벨과 분할은 유지됩니다. 일부 얼굴을 감지하지 못할 수 있으므로 결과를 검토하세요. 흐리게 처리해도 버전 스냅샷이 자동으로 생성되지는 않습니다. 전체 데이터셋을 흐리게 처리하는 비용은 처리된 이미지 1,000장당 $1.00이며, 실행당 최소 비용은 $0.01입니다(Auto-Annotation으로 청구됨). 대화상자에 적용 전에 예상 비용이 표시되며, 미리보기와 단일 이미지 흐리게 처리는 무료입니다.

이미지를 업로드할 때 얼굴을 흐리게 처리하려면 Upload 또는 URL에서 데이터셋을 만들 때 얼굴 흐리게 처리를 켜거나, 전체 데이터셋의 얼굴 흐리게 처리 대화상자에서 향후 업로드 이미지 흐리게 처리를 켭니다. 향후 업로드 이미지 흐리게 처리 스위치는 적용을 클릭하지 않고 대화상자를 닫아도 설정이 즉시 저장됩니다. 이후 데이터셋에 업로드되는 이미지는 처리 중에 무료로 흐리게 처리되며, 이 설정을 변경해도 데이터셋에 이미 있는 이미지는 흐리게 처리되지 않습니다.

데이터셋 URI#

ul:// URI 형식으로 Platform 데이터셋을 참조합니다(Platform 데이터셋 사용 참조).

ul://username/datasets/dataset-slug

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

어디서나 모델을 학습하려면 이 URI를 사용하세요:

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 다음 라이선스를 지원합니다:

공개 범위 설정#

데이터셋을 볼 수 있는 사용자를 제어합니다:

데이터셋을 만들 때 New Dataset 대화상자에서 토글 스위치로 공개 범위를 설정합니다. 나중에 변경하려면 페이지 탐색 경로에서 데이터셋 이름 옆의 공개 또는 비공개 배지를 클릭하세요. 데이터셋을 공개로 설정할 때는 확인이 필요합니다. On Premise 데이터셋은 항상 비공개입니다. 공개 데이터셋은 Explore 페이지에 표시됩니다.

데이터셋 편집#

데이터셋 메타데이터는 데이터셋 페이지에서 바로 인라인으로 편집할 수 있으며 대화상자는 필요하지 않습니다:

• 이름: 데이터셋 이름을 클릭해 편집합니다. 포커스를 잃거나 Enter할 때 변경 사항이 자동 저장됩니다. 이름은 100자로 제한됩니다.
• 설명: 설명(또는 "설명을 추가하세요..." 자리 표시자)을 클릭해 편집합니다. 변경 사항은 자동 저장됩니다. 설명은 1,000자로 제한됩니다.
• 작업 유형: 작업 배지를 클릭해 다른 작업 유형을 선택합니다.
• 라이선스: 라이선스 선택기를 클릭해 데이터셋 라이선스를 변경합니다.
• 아이콘: 데이터셋 아이콘을 클릭해 이미지를 업로드하거나, 데이터셋의 이미지 중 하나를 아이콘으로 지정하거나, 문자와 색상을 선택합니다.

사용자 지정 메타데이터#

More actions를 열고 Information을 선택하면 다음 두 섹션을 확인할 수 있습니다:

• Ultralytics 메타데이터: 데이터셋 ID, 소유자, 작업, 이미지 및 어노테이션 수, 저장소 리전, 타임스탬프 등 읽기 전용 Platform 정보
• 사용자 지정 메타데이터: 데이터 출처, 캡처 조건, 고객 ID, 거버넌스 또는 기타 맥락 정보를 위한 사용자 지정 JSON 객체

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

데이터셋 복제#

소유하지 않은 공개 데이터셋을 볼 때 Clone Dataset을 클릭해 복제 대화상자를 여세요. 대상 워크스페이스, 이름, 공개 범위, 라이선스를 검토한 다음 복제를 확인합니다. 복사본에는 모든 이미지, 어노테이션, 클래스 정의가 포함됩니다. 기본 공개 범위가 공개인 워크스페이스에서는 공개 원본 데이터셋이 기본적으로 공개 상태를 유지하며, Enterprise 워크스페이스의 복제본은 기본적으로 비공개입니다. 원본 데이터셋에 카피레프트 라이선스가 적용된 경우 복제본에도 해당 라이선스가 적용되며 라이선스 선택기가 잠깁니다.

대상 워크스페이스에서 URL이 이미 사용 중인 경우 복제 대화상자의 데이터셋 복제 버튼은 비활성화됩니다. 복제하려면 복사본을 저장할 수 있을 만큼 저장 용량이 남아 있어야 합니다.

별표 표시 및 공유#

• 별표: 별표 버튼을 클릭해 데이터셋을 북마크에 추가합니다. 별표 수는 모든 사용자에게 표시됩니다.
• 공유: 공개 데이터셋의 경우 공유 버튼을 클릭해 링크를 복사하거나 임베드 코드를 가져오거나 소셜 플랫폼에 공유합니다.

데이터셋 삭제#

더 이상 필요하지 않은 데이터셋을 삭제합니다:

1. 데이터셋 헤더에서 More actions(… 버튼)을 엽니다
2. 데이터셋 삭제를 선택합니다
3. 대화상자에서 확인합니다: "[name]이(가) 휴지통으로 이동합니다. 30일 이내에 복원할 수 있습니다."

같은 메뉴의 Information을 선택하면 사용자 지정 메타데이터에 설명된 메타데이터 대화상자가 열리고, Refresh를 선택하면 서버에서 데이터셋을 다시 불러옵니다.

데이터셋으로 학습#

데이터셋에서 바로 학습을 시작합니다:

1. 데이터셋 페이지에서 New Model을 클릭합니다
2. 프로젝트를 선택하거나 새로 만듭니다
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 Cloud Training을 참조하세요.

자주 묻는 질문#