Link to this section데이터셋#

Ultralytics Platform 데이터셋은 학습 데이터를 관리하기 위한 효율적인 솔루션을 제공합니다. 업로드 후, 플랫폼은 이미지, 라벨, 통계를 자동으로 처리합니다. 데이터셋은 처리가 완료되고 train 분할에 최소 이미지 1개, val 또는 test 분할에 최소 이미지 1개, 라벨이 지정된 이미지 최소 1개, 총 이미지 최소 2개 이상이 포함되면 학습 준비가 완료됩니다.

Link to this section데이터셋 업로드#

Ultralytics Platform은 유연성을 위해 다양한 업로드 형식을 허용합니다.

Link to this section지원되는 형식#

Link to this section데이터셋 준비하기#

플랫폼은 Ultralytics YOLO, COCO, Ultralytics NDJSON 및 raw(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

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

Link to this section업로드 프로세스#

1. 사이드바에서 Datasets로 이동합니다.
2. New Dataset을 클릭하거나 파일을 업로드 영역으로 드래그합니다.
3. 작업 유형을 선택합니다(지원되는 작업 참조).
4. 이름과 선택적인 설명을 추가합니다.
5. 공개 여부(공개 또는 비공개)와 선택적인 라이선스를 설정합니다(사용 가능한 라이선스 참조).
6. Create & Upload를 클릭합니다(빈 데이터셋을 생성하는 경우 Create Dataset 클릭).

업로드 후, 플랫폼은 다단계 파이프라인을 통해 데이터를 처리합니다:

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

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

1. Validation: 형식 및 크기 확인
2. Normalization: 큰 이미지 크기 조정(최대 4096px, 최소 치수 28px)
3. Thumbnails: 256px WebP 미리보기 생성
4. Label Parsing: YOLO 및 COCO 형식 라벨 추출
5. Statistics: 클래스 분포 및 이미지 치수 계산

from ultralytics.data.utils import check_det_dataset

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

Link to this section이미지 탐색#

다양한 레이아웃으로 데이터셋 이미지를 봅니다.

갤러리 툴바에서 클러스터링(Clustering) 패널을 열어 대화형 2D 산점도로 데이터셋을 탐색합니다.

Link to this section정렬 및 필터링#

이미지를 정렬하고 필터링하여 효율적으로 탐색할 수 있습니다:

Link to this section전체 화면 뷰어#

이미지를 클릭하면 다음 기능을 포함한 전체 화면 뷰어가 열립니다:

• 탐색: 화살표 키 또는 썸네일 미리보기를 사용하여 탐색
• 메타데이터: 파일 이름, 규격, Split 배지, 주석 수
• 주석: 주석 오버레이 표시 여부 전환
• 클래스 분석: 색상 표시기가 포함된 클래스별 라벨 개수
• 편집: 주석 모드로 진입하여 라벨 추가 또는 수정
• 다운로드: 원본 이미지 파일 다운로드
• 삭제: 데이터셋에서 이미지 삭제
• 줌: Cmd/Ctrl+Scroll, Cmd/Ctrl++, 또는 Cmd/Ctrl+=를 사용하여 확대하고, Cmd/Ctrl+-를 사용하여 축소합니다.
• 뷰 초기화: Cmd/Ctrl + 0 또는 초기화 버튼을 눌러 이미지를 뷰어에 맞게 조정합니다.
• 팬(이동): Space 키를 누른 채 드래그하여 확대된 캔버스를 이동합니다.
• 픽셀 뷰: 상세 확인을 위해 픽셀화된 렌더링을 전환합니다.

Link to this sectionSplit별 필터링#

데이터셋 Split별로 이미지 필터링:

Link to this section클러스터링#

Clustering 패널은 데이터셋을 대화형 2D 산점도로 투영하여 시각적으로 유사한 이미지들을 가깝게 배치합니다. 이를 통해 갤러리를 떠나지 않고도 클러스터를 표면화하고, 중복 항목 및 이상치를 발견하며, Split 또는 클래스가 데이터 전반에 어떻게 분포되어 있는지 확인할 수 있습니다. 데이터셋 페이지의 갤러리 툴바에 있는 산점도 아이콘에서 열 수 있습니다.

Link to this section분석 실행#

분석 시작:

1. 데이터셋을 열고 갤러리 툴바의 산점도 아이콘 클릭
2. Analyze Dataset 클릭
3. 진행률 표시줄이 완료될 때까지 대기 — 결과가 같은 패널에 표시됩니다.

분석은 백그라운드에서 실행되며 데이터셋 크기에 따라 몇 분 정도 소요될 수 있습니다. 패널을 닫거나 페이지를 떠났다가 나중에 다시 돌아와도 됩니다.

Link to this section시각화#

분석이 완료되면 패널에 모든 분석된 이미지의 2D 산점도가 표시됩니다. 갤러리 필터(Split, 클래스, 라벨링 여부)는 필터 범위 밖의 포인트를 흐리게 처리하여 관심 있는 하위 집합에 집중할 수 있도록 합니다.

Link to this section색상 기준#

패널 툴바의 Color by 드롭다운을 사용하여 데이터 포인트의 음영 처리 방식을 변경하십시오. 언제든지 보기 모드를 전환할 수 있으며, 산점도의 색상이 즉시 변경되어 Split, 클래스 또는 이미지 속성이 클러스터 전반에 어떻게 분포되어 있는지 확인할 수 있습니다:

Link to this section라소 선택#

영역 주위에 자유로운 형태의 선택 도구를 그려 산점도상의 포인트를 강조하십시오. 갤러리가 일치하는 이미지들로 필터링되어, 일반적인 이미지 작업을 사용하여 해당 이미지들을 확인, 재라벨링, 이동 또는 삭제할 수 있습니다.

Link to this section이동 및 확대/축소#

마우스와 키보드를 사용하여 대규모 산점도를 탐색하십시오:

Link to this section재분석#

분석 후 데이터셋이 변경되면, 소유자와 편집자에게 패널 상단에 Re-analyze 버튼이 표시됩니다.

Re-analyze를 클릭하여 임베딩과 2D 투영을 처음부터 다시 계산합니다.

Link to this section데이터셋 탭#

각 데이터셋 페이지는 데이터셋 상태 및 권한에 따라 최대 6개의 탭을 표시할 수 있습니다:

Link to this section이미지 탭#

주석 오버레이가 포함된 이미지 갤러리를 보여주는 기본 보기입니다. 그리드, 컴팩트, 테이블 보기 모드를 지원합니다. 파일을 여기에 드래그 앤 드롭하여 이미지를 추가할 수 있습니다.

Link to this section클래스 탭#

이 탭은 데이터셋에 이미지가 있을 때 표시됩니다.

데이터셋의 주석 클래스 관리:

• 클래스 히스토그램: 선형/로그 스케일 전환이 가능한 클래스별 주석 개수 막대 차트
• 클래스 테이블: 클래스 이름, 라벨 수, 이미지 수로 정렬 및 검색이 가능한 테이블
• 클래스 이름 편집: 클래스 이름을 클릭하여 인라인으로 이름을 변경합니다
• 클래스 색상 편집: 색상 견본을 클릭하여 클래스 색상을 변경합니다
• 새 클래스 추가: 하단의 입력을 사용하여 클래스를 추가합니다

Link to this section차트 탭#

이 탭은 데이터셋에 이미지가 있을 때 표시됩니다.

데이터셋에서 계산된 자동 통계:

Link to this section모델 탭#

이 데이터셋에서 학습된 모든 모델을 검색 가능한 테이블에서 확인합니다:

Link to this section오류 탭#

이 탭은 하나 이상의 파일 처리 실패 시에만 나타납니다.

처리에 실패한 이미지는 다음 정보와 함께 나열됩니다:

• 오류 배너: 실패한 이미지의 총 개수 및 안내
• 오류 테이블: 파일명, 사용자 친화적인 오류 설명, 수정 힌트 및 미리보기 썸네일
• 일반적인 오류로는 파일 손상, 지원되지 않는 형식, 너무 작은 이미지(최소 28px), 지원되지 않는 색상 모드 등이 있습니다

Link to this section버전 탭#

재현 가능한 학습을 위해 데이터셋의 불변 NDJSON 스냅샷을 생성합니다. 각 버전은 생성 시점의 이미지 수, 클래스 수, 어노테이션 수 및 파일 크기를 캡처합니다.

버전을 생성하려면:

1. 버전 탭 열기
2. 선택적으로 설명 입력(예: "500개의 학습 이미지 추가" 또는 "잘못 라벨링된 클래스 수정")
3. + 새 버전 클릭
4. 새 버전이 테이블에 나타납니다
5. 필요할 때 테이블에서 버전을 별도로 다운로드하십시오

각 버전은 순차적으로 번호가 지정되며(v1, v2, v3...) 영구적으로 저장됩니다. 언제든지 버전 테이블에서 이전 버전을 다운로드할 수 있습니다.

Link to this section데이터셋 내보내기#

데이터셋 헤더나 버전 탭에서 NDJSON을 다운로드하여 오프라인용으로 데이터셋을 내보내십시오.

내보내려면:

1. 데이터셋 헤더의 다운로드 버튼(다운로드 아이콘)을 클릭하십시오
2. 현재 NDJSON 스냅샷을 직접 다운로드합니다.
3. 나중에 다시 다운로드할 수 있는 변경 불가능한 번호가 지정된 스냅샷이 필요한 경우 Versions 탭을 사용하십시오.

NDJSON 형식은 라인당 하나의 JSON 객체를 저장합니다. 첫 번째 라인에는 데이터셋 메타데이터가 포함되며, 그 뒤로 이미지당 한 라인씩 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", "annotations": {"boxes": [[0, 0.5, 0.5, 0.2, 0.3]]}}
{"type": "image", "file": "img002.jpg", "url": "https://...", "width": 1280, "height": 720, "split": "val"}

전체 사양은 Ultralytics NDJSON format documentation을 참조하십시오.

Link to this section이미지 작업#

Link to this section빠른 작업#

Grid 또는 Compact 뷰에서 이미지를 마우스 오른쪽 버튼으로 클릭하여 빠른 작업에 액세스하십시오:

Link to this section일괄 분할 이동#

선택한 이미지를 동일한 데이터셋 내의 다른 분할로 재할당합니다:

1. Table 뷰로 전환
2. 체크박스를 사용하여 이미지 선택
3. 마우스 오른쪽 버튼을 클릭하여 컨텍스트 메뉴 열기
4. Move to split > Train, Validation 또는 Test 선택

그리드 뷰에서 분할 필터 탭으로 이미지를 드래그 앤 드롭할 수도 있습니다.

Link to this section분할 재배포#

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

1. 데이터셋 툴바의 split bar를 클릭하여 Redistribute Splits 대화 상자를 엽니다.
2. 아래 방법 중 하나를 사용하여 분할 백분율을 조정합니다.
3. 실시간 이미지 수 미리보기를 검토하여 배포를 확인합니다.
4. Apply를 클릭하여 백분율에 따라 모든 이미지를 무작위로 재할당합니다.

이 대화 상자는 대상 분할 비율을 설정하는 세 가지 방법을 제공합니다:

실시간 미리보기를 통해 적용하기 전에 각 분할에 몇 개의 이미지가 포함될지 정확하게 확인할 수 있습니다.

Link to this section일괄 삭제#

여러 이미지를 한 번에 삭제합니다:

1. 테이블 뷰에서 이미지 선택
2. 마우스 오른쪽 버튼을 클릭하고 Delete 선택
3. 삭제 확인

Link to this section데이터셋 URI#

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

이 URI를 사용하여 어디서나 모델을 학습시키십시오:

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

Link to this section사용 가능한 라이선스#

Platform은 다음 데이터셋 라이선스를 지원합니다:

Link to this section가시성 설정#

데이터셋을 볼 수 있는 사람을 제어하십시오:

가시성은 New Dataset 대화 상자에서 토글 스위치를 사용하여 데이터셋을 생성할 때 설정됩니다. 공개 데이터셋은 Explore 페이지에서 볼 수 있습니다.

Link to this section데이터셋 편집#

데이터셋 메타데이터는 데이터셋 페이지에서 직접 인라인으로 편집할 수 있으며 대화 상자가 필요하지 않습니다:

• 이름: 데이터셋 이름을 클릭하여 편집합니다. 변경 사항은 포커스가 해제되거나 Enter를 누르면 자동 저장됩니다.
• 설명: 설명을 클릭하거나 "Add a description..." 자리 표시자를 클릭하여 편집합니다. 변경 사항은 자동 저장됩니다.
• 작업 유형: 작업 배지를 클릭하여 다른 작업 유형을 선택합니다.
• 라이선스: 라이선스 선택기를 클릭하여 데이터셋 라이선스를 변경합니다.

Link to this section데이터셋 복제#

본인이 소유하지 않은 공개 데이터셋을 볼 때는 Clone Dataset을 클릭하여 워크스페이스에 복사본을 생성할 수 있습니다. 복사본에는 모든 이미지, 주석 및 클래스 정의가 포함됩니다. 원본 데이터셋에 카피레프트 라이선스가 있는 경우, 복사본도 이를 상속받으며 라이선스 선택기가 잠깁니다.

Link to this sectionStar 및 공유#

• Star: 별표 버튼을 클릭하여 데이터셋을 북마크합니다. 별표 수는 모든 사용자에게 표시됩니다.
• 공유: 공개 데이터셋의 경우 공유 버튼을 클릭하여 링크를 복사하거나 소셜 플랫폼에 공유할 수 있습니다.

Link to this section데이터셋 삭제#

더 이상 필요하지 않은 데이터셋 삭제:

1. 데이터셋 작업 메뉴 열기
2. Delete 클릭
3. 대화 상자에서 확인: "이 작업은 [name]을(를) 휴지통으로 이동합니다. 30일 이내에 복원할 수 있습니다."

Link to this section데이터셋으로 학습#

데이터셋에서 직접 학습 시작:

1. 데이터셋 페이지에서 New Model 클릭
2. 프로젝트 선택 또는 새로 만들기
3. 학습 파라미터 구성
4. 학습 시작

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

    style A fill:#2196F3,color:#fff
    style E fill:#4CAF50,color:#fff

자세한 내용은 Cloud Training을 참조하십시오.

Link to this sectionFAQ#

Link to this section업로드 후 데이터는 어떻게 처리됩니까?#

데이터는 선택한 리전(US, EU 또는 AP)에서 처리 및 저장됩니다. 이미지는 다음과 같이 처리됩니다:

1. 형식 및 크기 검증
2. 최소 치수가 28px 미만인 경우 거부됨
3. 4096px보다 큰 경우 정규화(가로세로 비율 유지; 최적화된 저장소를 위해 인코딩)
4. XXH3-128 해싱을 사용하는 콘텐츠 주소 지정 가능 저장소(CAS)에 저장
5. 빠른 탐색을 위해 256px WebP 형식의 썸네일 생성

Link to this section저장소는 어떻게 작동합니까?#

Ultralytics Platform은 효율적인 저장을 위해 **콘텐츠 주소 지정 가능 저장소(CAS)**를 사용합니다:

• 중복 제거: 서로 다른 사용자가 업로드한 동일한 이미지는 한 번만 저장됨
• 무결성: XXH3-128 해싱을 통해 데이터 무결성 보장
• 효율성: 저장 비용 절감 및 처리 속도 향상
• 리전: 데이터는 선택한 리전(US, EU 또는 AP) 내에 보관됨

Link to this section기존 데이터셋에 이미지를 추가할 수 있습니까?#

네, 데이터셋 페이지로 파일을 드래그 앤 드롭하거나 업로드 버튼을 사용하여 추가 이미지를 더할 수 있습니다. 새로운 통계가 자동으로 계산됩니다.

Link to this section이미지를 분할(split) 간에 어떻게 이동합니까?#

일괄 분할 이동 기능을 사용하십시오:

1. 테이블 뷰에서 이미지 선택
2. 마우스 오른쪽 버튼을 클릭하고 Move to split 선택
3. 대상 분할(Train, Validation 또는 Test) 선택

Link to this section어떤 라벨 형식이 지원됩니까?#

Ultralytics Platform은 YOLO 라벨, COCO JSON, Ultralytics NDJSON 및 원시 이미지 업로드를 지원합니다:

Link to this section동일한 데이터셋에 여러 작업 유형을 주석 달 수 있습니까?#

네. 각 이미지는 6가지 작업 유형(detect, segment, semantic, pose, OBB, classify)에 대한 주석을 모두 함께 저장합니다. 기존 주석을 잃지 않고 언제든지 데이터셋의 활성 작업 유형을 전환할 수 있습니다. 활성 작업 유형과 일치하는 주석만 에디터에 표시되며 내보내기 및 학습에 포함됩니다. 다른 작업에 대한 주석은 보존되며 다시 전환하면 나타납니다.