Link to this section데이터셋#

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

Link to this section데이터셋 업로드#

Ultralytics Platform은 유연성을 위해 다양한 업로드 형식을 지원합니다.

Link to this section지원되는 형식#

Link to this section데이터셋 준비#

플랫폼은 Ultralytics YOLO, COCO, Ultralytics NDJSON 및 원본(라벨 없음) 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 참조하세요.

Link to this section업로드 프로세스#

1. 사이드바에서 Datasets로 이동합니다
2. New Dataset을 클릭하거나 파일을 업로드 구역으로 드래그합니다
3. 작업 유형을 선택하십시오(지원되는 작업 참조).
4. 이름과 선택 사항인 설명을 추가하십시오.
5. 공개 여부(공개 또는 비공개)와 선택 사항인 라이선스를 설정하십시오(사용 가능한 라이선스 참조).
6. Create(생성)를 클릭하십시오.

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(검증): 형식 및 크기 확인
2. Normalization(정규화): 대형 이미지 크기 조정 (최대 4096px, 최소 치수 28px)
3. Thumbnails(섬네일): 256px WebP 미리보기 생성
4. Label Parsing(라벨 파싱): YOLO 및 COCO 형식 라벨 추출
5. Statistics(통계): 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 확인하십시오.

갤러리 도구 모음에서 Clustering(클러스터링) 패널을 열어 데이터셋을 대화형 2D 산점도로 탐색하십시오.

Link to this section정렬 및 필터링#

효율적인 탐색을 위해 이미지를 정렬하고 필터링할 수 있습니다:

Link to this section전체 화면 뷰어#

이미지를 클릭하면 다음 기능을 포함한 전체 화면 뷰어가 열립니다:

• Navigation(탐색): 화살표 키 또는 섬네일 미리보기를 사용하여 브라우징
• Metadata(메타데이터): 파일 이름, 치수, 분할 배지, 어노테이션 개수
• Annotations(어노테이션): 어노테이션 오버레이 표시 여부 전환
• Class Breakdown(클래스 분류): 색상 표시기가 포함된 클래스별 라벨 개수
• Edit(편집): 어노테이션 모드로 들어가 라벨 추가 또는 수정
• Download(다운로드): 원본 이미지 파일 다운로드
• Delete(삭제): 데이터셋에서 이미지 삭제
• Zoom(줌): Cmd/Ctrl+Scroll, Cmd/Ctrl++, 또는 Cmd/Ctrl+=로 확대하고, Cmd/Ctrl+-로 축소
• Reset view(보기 초기화): Cmd/Ctrl + 0 또는 재설정 버튼을 눌러 뷰어에 이미지를 맞춤
• Pan(팬): Space를 누른 상태에서 드래그하여 확대된 캔버스 이동
• Pixel view(픽셀 보기): 자세한 검사를 위해 픽셀화된 렌더링 전환

Link to this section분할별 필터링#

데이터셋 분할별로 이미지 필터링:

Link to this section클러스터링#

Clustering(클러스터링) 패널은 데이터셋을 시각적으로 유사한 이미지가 서로 가까이 위치하는 대화형 2D 산점도로 투영합니다. 이를 사용하여 클러스터를 표면화하고, 중복 및 이상치를 발견하며, 갤러리를 떠나지 않고도 데이터 전반에 걸쳐 분할이나 클래스가 어떻게 분포되어 있는지 검사할 수 있습니다. 데이터셋 페이지의 갤러리 도구 모음에 있는 산점도 아이콘에서 이 패널을 여십시오.

Link to this section분석 실행#

분석 시작:

1. 데이터셋을 열고 갤러리 도구 모음의 산점도 아이콘을 클릭하십시오.
2. Analyze Dataset(데이터셋 분석)을 클릭하십시오.
3. 진행률 표시줄이 완료될 때까지 기다리십시오. 결과는 동일한 패널에 나타납니다.

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

Link to this section시각화#

분석이 완료되면 패널에 분석된 모든 이미지의 2D 산점도가 표시됩니다. 갤러리 필터(분할, 클래스, 라벨됨/라벨되지 않음)는 필터 범위 밖의 포인트를 흐리게 처리하여 관심 있는 하위 집합에 집중할 수 있도록 합니다.

Link to this section색상 기준#

패널 도구 모음의 Color by(색상 기준) 드롭다운을 사용하여 데이터 포인트의 음영 처리 방식을 변경하십시오. 언제든지 보기 모드를 전환하십시오. 분할, 클래스 또는 이미지 속성이 클러스터 전반에 걸쳐 어떻게 분포되어 있는지 확인할 수 있도록 플롯 색상이 즉시 다시 지정됩니다:

Link to this section올가미(Lasso) 선택#

플롯의 영역 주위로 자유형 선택 도구를 사용하여 포인트를 강조합니다. 갤러리가 일치하는 이미지로 필터링되므로, 일반적인 이미지 작업을 사용하여 검사, 재라벨링, 이동 또는 삭제할 수 있습니다.

Link to this section팬(Pan) 및 줌(Zoom)#

마우스와 키보드를 사용하여 대규모 산점도를 직접 탐색합니다:

Link to this section재분석#

If your dataset changes after analysis, a Re-analyze button appears at the top of the panel for owners and editors.

Click Re-analyze to recompute embeddings and the 2D projection from scratch.

Link to this section데이터셋 탭#

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

Link to this section이미지 탭#

어노테이션 오버레이가 포함된 이미지 갤러리를 보여주는 기본 보기입니다. 그리드, 콤팩트 및 테이블 보기 모드를 지원합니다. 파일을 여기에 드래그 앤 드롭하여 이미지를 더 추가할 수 있습니다.

Link to this section클래스 탭#

이 탭은 데이터셋에 이미지가 있을 때 나타납니다.

데이터셋의 어노테이션 클래스를 관리합니다:

• 클래스 히스토그램: 선형/로그 눈금 전환이 가능한 클래스별 어노테이션 수 막대 차트
• 클래스 테이블: 클래스 이름, 라벨 수, 이미지 수로 정렬 및 검색 가능한 테이블
• 클래스 이름 편집: 클래스 이름을 클릭하여 인라인으로 이름 변경
• 클래스 색상 편집: 색상 견본을 클릭하여 클래스 색상 변경
• 새 클래스 추가: 하단의 입력창을 사용하여 클래스 추가

Link to this section차트 탭#

이 탭은 데이터셋에 이미지가 있을 때 나타납니다.

데이터셋에서 자동으로 계산된 통계입니다:

Link to this section모델 탭#

이 데이터셋으로 학습된 모든 모델을 검색 가능한 테이블로 확인합니다:

Link to this section오류 탭#

이 탭은 하나 이상의 파일 처리가 실패했을 때만 나타납니다.

처리 실패 이미지가 다음 내용과 함께 여기에 나열됩니다:

• 오류 배너: 실패한 이미지 총 개수 및 안내
• 오류 테이블: 파일 이름, 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 생성하십시오. 각 버전은 생성 시점의 이미지 수, 클래스 수, 주석 수 및 파일 크기를 캡처합니다.

버전을 생성하려면:

1. 버전 탭을 엽니다.
2. 선택적으로 설명을 입력합니다 (예: "학습 이미지 500개 추가" 또는 "잘못된 라벨이 지정된 클래스 수정").
3. + 새 버전을 클릭합니다.
4. 새 버전이 표에 나타납니다.
5. 필요 시 표에서 해당 버전을 별도로 다운로드하십시오.

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

Link to this section데이터셋 내보내기#

오프라인 사용을 위해 데이터셋 헤더나 버전 탭에서 NDJSON을 다운로드하여 데이터셋을 내보내십시오.

내보내려면:

1. 데이터셋 헤더에서 내보내기 버튼을 클릭합니다.
2. 현재 NDJSON 스냅샷을 직접 다운로드합니다.
3. 나중에 다시 다운로드할 수 있는 불변의 번호가 매겨진 스냅샷이 필요한 경우 버전 탭을 사용하십시오.

NDJSON 형식은 줄당 하나의 JSON 객체를 저장합니다. 첫 번째 줄에는 데이터셋 메타데이터가 포함되며, 그 다음부터는 이미지당 한 줄씩 데이터가 포함됩니다.

{"type": "dataset", "task": "detect", "name": "my-dataset", "description": "...", "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 형식 문서를 참조하십시오.

Link to this section이미지 작업#

Link to this section빠른 작업#

그리드 또는 컴팩트 보기에서 이미지를 마우스 오른쪽 버튼으로 클릭하여 빠른 작업에 액세스합니다:

Link to this section대량 분할 이동#

선택한 이미지를 동일한 데이터셋 내의 다른 분할로 재지정합니다:

1. 테이블 보기로 전환합니다.
2. 체크박스를 사용하여 이미지를 선택합니다.
3. 마우스 오른쪽 버튼을 클릭하여 컨텍스트 메뉴를 엽니다.
4. Choose Move to split > Train, Validation, or Test

그리드 보기에서 이미지를 드래그 앤 드롭하여 분할 필터 탭으로 옮길 수도 있습니다.

Link to this section분할 재분배#

사용자 지정 비율을 사용하여 모든 이미지를 Train, Validation 및 Test 분할 전반에 재분배합니다:

1. 데이터셋 툴바에서 분할 막대를 클릭하여 분할 재분배 대화 상자를 엽니다.
2. 아래 방법 중 하나를 사용하여 분할 비율을 조정합니다.
3. 실시간 이미지 수 미리보기를 검토하여 분배 상태를 확인합니다.
4. 적용을 클릭하여 설정한 비율에 따라 모든 이미지를 무작위로 재지정합니다.

대화 상자는 대상 분할 비율을 설정하는 세 가지 방법을 제공합니다:

실시간 미리보기를 통해 적용하기 전에 각 분할에 포함될 정확한 이미지 수를 확인할 수 있습니다.

Link to this section대량 삭제#

여러 이미지를 한 번에 삭제합니다:

1. 테이블 보기에서 이미지를 선택합니다.
2. Right-click and choose Delete
3. 삭제를 확인합니다.

Link to this section데이터셋 URI#

ul:// URI 형식을 사용하여 Platform 데이터셋을 참조하십시오 ( Platform 데이터셋 사용하기 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 데이터셋에 대해 다음과 같은 라이선스를 지원합니다:

Link to this section공개 설정#

데이터셋을 볼 수 있는 사용자 제어:

공개 여부는 New Dataset 대화 상자에서 토글 스위치를 사용하여 설정합니다. 공개 데이터셋은 Explore 페이지에 표시됩니다.

Link to this section데이터셋 편집#

데이터셋 메타데이터는 데이터셋 페이지에서 직접 인라인으로 편집할 수 있으며, 별도의 대화 상자가 필요하지 않습니다.

• 이름: 데이터셋 이름을 클릭하여 편집합니다. 변경 사항은 포커스가 해제되거나 Enter 키를 누르면 자동 저장됩니다.
• 설명: 설명(또는 "Add a description..." 자리표시자)을 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#

본인 소유가 아닌 공개 데이터셋을 볼 때 Clone Dataset을 클릭하면 워크스페이스에 복사본을 생성할 수 있습니다. 복제본에는 모든 이미지, 주석 및 클래스 정의가 포함됩니다. 원본 데이터셋에 카피레프트 라이선스가 있는 경우, 복제본도 이를 승계하며 라이선스 선택기가 잠깁니다.

Link to this section즐겨찾기(Star) 및 공유#

• 즐겨찾기: 별 모양 버튼을 클릭하여 데이터셋을 즐겨찾기에 추가합니다. 즐겨찾기 수는 모든 사용자에게 표시됩니다.
• 공유: 공개 데이터셋의 경우, 공유 버튼을 클릭하여 링크를 복사하거나 소셜 플랫폼에 공유합니다.

Link to this section데이터셋 삭제#

더 이상 필요 없는 데이터셋을 삭제합니다:

1. 데이터셋 작업 메뉴 열기
2. Delete 클릭
3. 대화 상자에서 확인: "This will move [name] to trash. You can restore it within 30 days."

Link to this section데이터셋으로 학습#

데이터셋에서 직접 학습을 시작합니다:

1. 데이터셋 페이지에서 New Model 클릭
2. 프로젝트를 선택하거나 새로 생성
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 내 데이터는 어떻게 됩니까?#

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

1. 형식 및 크기 유효성 검사
2. 최소 치수가 28px 미만인 경우 거부
3. 4096px보다 큰 경우 정규화(가로세로 비율 유지, 최적화된 저장을 위해 인코딩)
4. XXH3-128 해싱을 사용하는 CAS(Content-Addressable Storage)를 통해 저장
5. 빠른 탐색을 위해 256px WebP 형식의 썸네일 생성

Link to this section저장은 어떻게 작동합니까?#

Ultralytics Platform은 효율적인 저장을 위해 **CAS(Content-Addressable Storage)**를 사용합니다:

• 중복 제거: 다른 사용자가 업로드한 동일한 이미지는 한 번만 저장됩니다
• 무결성: XXH3-128 해싱으로 데이터 무결성을 보장합니다
• 효율성: 저장 비용을 절감하고 처리 속도를 높입니다
• 지역성: 데이터는 선택한 지역(US, EU, AP)에 유지됩니다

Link to this section기존 데이터셋에 이미지를 추가할 수 있습니까?#

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

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

대량 분할 이동 기능을 사용하십시오:

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

Link to this section어떤 레이블 형식이 지원됩니까?#

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

Link to this section동일한 데이터셋에 대해 여러 작업 유형을 어노테이션할 수 있습니까?#

네. 각 이미지는 6가지 작업 유형(탐지, 세그멘테이션, 의미론적 분할, 포즈, OBB, 분류)에 대한 어노테이션을 모두 함께 저장합니다. 기존 어노테이션을 잃지 않고 언제든지 데이터셋의 활성 작업 유형을 전환할 수 있습니다. 활성 작업 유형과 일치하는 어노테이션만 편집기에 표시되며 내보내기 및 학습에 포함됩니다. 다른 작업에 대한 어노테이션은 보존되며 다시 전환하면 다시 나타납니다.