데이터셋#

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

데이터셋 업로드#

Ultralytics Platform은 유연성을 위해 다양한 업로드 형식을 허용합니다.

지원되는 형식#

동영상 코덱 지원#

파일 확장자만으로는 충분하지 않습니다. 플랫폼 수집 워커에서 코덱을 디코딩할 수 없는 경우 동영상 처리가 실패할 수 있습니다.

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

데이터셋 준비하기#

Platform은 Ultralytics YOLO, COCO, Ultralytics NDJSON 및 원시(주석 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 supported tasks 및 Datasets Overview를 참조하세요.

업로드 프로세스#

데이터셋을 생성하려면:

1. 사이드바에서 Annotate(으)로 이동합니다.
2. New Dataset 클릭
3. 작업 유형을 선택합니다(supported tasks 참조).
4. 이름과 선택적인 설명을 추가합니다.
5. 가시성(공개 또는 비공개)과 선택적 라이선스를 설정합니다(available licenses 참조).
6. 파일을 추가하고 Create & Upload을 클릭하거나, 빈 데이터셋으로 시작하려면 Create Dataset을 클릭합니다.

기존 데이터셋에 파일을 추가하려면 해당 데이터셋 페이지를 열고 파일을 갤러리에 드래그하거나 페이지 헤더의 업로드 아이콘을 클릭하세요. 데이터셋 작업이 이미 정의되어 있으므로 업로드 아이콘을 클릭하면 브라우저의 기본 파일 선택기가 바로 열립니다.

업로드 후, 플랫폼은 다단계 파이프라인을 통해 데이터를 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. 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 라벨이 추출되었습니다.
5. Statistics: 클래스 분포 및 이미지 치수 계산

from ultralytics.data.utils import check_det_dataset

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

이미지 탐색#

다양한 레이아웃으로 데이터셋 이미지를 봅니다.

갤러리 툴바에서 Clustering 패널을 열어 대화형 2D 산점도(scatter plot)로 데이터셋을 탐색하세요.

정렬 및 필터링#

이미지를 정렬하고 필터링하여 효율적으로 탐색할 수 있습니다:

전체 화면 뷰어#

이미지를 클릭하면 다음 기능을 포함한 전체 화면 뷰어가 열립니다:

• 탐색: 화살표 키 또는 썸네일 미리보기를 사용하여 탐색
• 이미지 정보: Platform에서 생성된 속성, 커스텀 메타데이터, 그리고 EXIF와 같은 임베디드 파일 메타데이터를 검토합니다.
• 사용자 정의 메타데이터: 소유자와 편집자는 중첩된 값(직렬화된 문자열 최대 500,000자) 및 최상위 키(최대 128자)를 포함하여 JSON 객체를 추가하거나 교체할 수 있습니다.
• 주석: 주석 오버레이 표시 여부 전환
• 클래스 분석: 색상 표시기가 포함된 클래스별 라벨 개수
• Annotate: 편집 권한이 있는 경우 데스크톱에서 전체 화면 뷰어가 열리면 주석 제어 기능이 즉시 활성화됩니다.
• 다운로드: 원본 이미지 파일 다운로드
• 삭제: 데이터셋에서 이미지 삭제
• Zoom: 확대하려면 Cmd/Ctrl+Scroll, Cmd/Ctrl++ 또는 Cmd/Ctrl+=, 축소하려면 Cmd/Ctrl+-을 사용합니다.
• Reset view: 이미지를 뷰어에 맞추려면 Cmd/Ctrl + 0 또는 재설정 버튼을 사용합니다.
• Pan: 확대된 상태에서 캔버스를 이동하려면 Space을 누른 채 드래그합니다.
• 픽셀 뷰: 상세 확인을 위해 픽셀화된 렌더링을 전환합니다.

Split별 필터링#

데이터셋 Split별로 이미지 필터링:

클러스터링#

Clustering 패널은 시각적으로 유사한 이미지가 서로 가깝게 배치되는 대화형 2D 산점도로 데이터셋을 투영합니다. 갤러리를 떠나지 않고도 클러스터를 드러내고, 중복 항목과 이상값을 찾아내며, 분할이나 클래스가 데이터에 어떻게 분포되어 있는지 검사할 수 있습니다. 데이터셋 페이지의 갤러리 툴바에 있는 산점도 아이콘에서 이 패널을 엽니다.

분석 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.

시각화#

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.

색상 기준#

패널 툴바의 Color by 드롭다운을 사용하여 데이터 포인트의 음영 처리 방식을 변경합니다. 언제든지 보기 모드를 전환할 수 있습니다. 플롯이 즉시 다시 색칠되므로 분할, 클래스 또는 이미지 속성이 클러스터에 어떻게 분포되어 있는지 확인할 수 있습니다.

라소 선택#

영역 주변에 자유형 선택 영역을 그려 플롯의 포인트를 강조 표시합니다. 갤러리가 일치하는 이미지로 필터링되므로 일반적인 image operations을 사용하여 검사, 재라벨링, 이동 또는 삭제할 수 있습니다.

이동 및 확대/축소#

마우스와 키보드를 사용하여 대규모 산점도를 탐색하십시오:

재분석#

분석 후 데이터셋이 변경되면 소유자와 편집자를 위해 패널 상단에 Re-analyze 버튼이 나타납니다.

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

데이터셋 탭#

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

이미지 탭#

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

클래스 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

차트 탭#

이 탭은 데이터셋에 이미지가 있을 때 표시됩니다.

데이터셋에서 계산된 자동 통계:

모델 탭#

이 데이터셋에서 학습된 모든 모델을 검색 가능한 테이블에서 확인합니다:

오류 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

버전 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. 행 작업을 사용하여 버전을 다운로드, 복원 또는 삭제합니다.

각 버전은 순차적으로 번호가 지정됩니다(v1, v2, v3...). 저장된 버전이 버전 테이블에 남아 있는 동안에는 언제든지 다운로드할 수 있습니다.

데이터셋 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 줄당 하나의 JSON 객체를 저장합니다. 첫 번째 줄에는 데이터셋 메타데이터가 포함되고, 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"}

선택 사항인 이미지 수준의 metadata 객체는 NDJSON 파일이 Platform으로 가져와질 때 보존됩니다. 이미지의 전체 화면 정보 패널에서 이를 검사하거나 편집할 수 있습니다. 프로그래밍 방식의 아카이브 업로드를 위해 Dataset Ingest API는 이에 상응하는 imageMetadata 경로 맵을 지원합니다.

전체 사양은 Ultralytics NDJSON format documentation을 참조하세요.

이미지 작업#

빠른 작업#

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

일괄 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 Test를 선택합니다.

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

분할 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 목표 분할 비율을 설정하는 세 가지 방법을 제공합니다:

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

일괄 삭제#

여러 이미지를 한 번에 삭제합니다:

1. 테이블 뷰에서 이미지 선택
2. 마우스 우클릭 후 Delete을 선택합니다.
3. 삭제 확인

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); 자동으로 ul:// URI로 다시 작성됩니다. 데이터셋 목록을 전달하면 각 데이터셋을 차례대로 하나의 베이스 모델에 대해 미세 조정합니다(예: model.train(data=["ul://username/datasets/a", "ul://username/datasets/b"])).

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

사용 가능한 라이선스#

Platform은 다음 데이터셋 라이선스를 지원합니다:

가시성 설정#

데이터셋을 볼 수 있는 사람을 제어하십시오:

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

데이터셋 편집#

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

• Name: 데이터셋 이름을 클릭하여 편집합니다. 변경 사항은 포커스가 벗어날 때(blur) 또는 Enter(으)로 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.

사용자 정의 메타데이터#

추가 작업을 열고 정보를 선택하여 다음 두 가지 섹션을 검토합니다:

• Ultralytics 메타데이터: 데이터셋 ID, 소유자, 태스크, 이미지 및 어노테이션 개수, 스토리지 지역, 타임스탬프와 같은 읽기 전용 Platform 세부 정보
• 사용자 정의 메타데이터: 출처, 캡처 조건, 고객 ID, 거버넌스 또는 기타 문맥 데이터를 위한 사용자의 JSON 객체

워크스페이스 뷰어는 메타데이터를 검사할 수 있으며, 편집 권한이 있는 멤버는 사용자 정의 메타데이터 객체를 교체할 수 있습니다. 직렬화된 메타데이터 객체는 500,000자로 제한되며, 각 최상위 키는 128자로 제한됩니다. 사용자 정의 메타데이터를 지우려면 빈 객체({})를 저장하십시오.

데이터셋 복제#

소유자가 아닌 공개 데이터셋을 볼 때 Clone Dataset을 클릭하여 복제 대화 상자를 엽니다. 대상 워크스페이스, 이름, 가시성, 라이선스를 검토한 후 복제를 확인합니다. 복사본에는 모든 이미지, 주석, 클래스 정의가 포함됩니다. 원본 공개 데이터셋은 기본 가시성이 공개인 워크스페이스에서 기본적으로 공개 상태로 유지되며, 엔터프라이즈 워크스페이스 복제본은 기본적으로 비공개로 설정됩니다. 원본 데이터셋에 카피레프트 라이선스가 있는 경우 복제본도 이를 상속하며 라이선스 선택기는 잠깁니다.

Star 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.

데이터셋 삭제#

더 이상 필요하지 않은 데이터셋 삭제:

1. 데이터셋 헤더에서 Delete dataset 휴지통 아이콘을 클릭합니다.
2. 대화 상자에서 확인: "이 작업은 [name]을(를) 휴지통으로 이동합니다. 30일 이내에 복원할 수 있습니다."

데이터셋으로 학습#

데이터셋에서 직접 학습 시작:

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

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.

FAQ#

업로드 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

저장소는 어떻게 작동합니까?#

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

• 중복 제거(Deduplication): 동일한 데이터 영역 내의 동일한 이미지 바이트는 동일한 기본 객체를 재사용합니다.
• 무결성: XXH3-128 해싱을 통해 데이터 무결성 보장
• 효율성: 복제본은 이미지 바이트를 복사하는 대신 CAS 객체를 재사용하며, 대상 워크스페이스의 스토리지 할당량에는 계속 합산됩니다.
• 리전: 데이터는 선택한 리전(US, EU 또는 AP) 내에 보관됨

기존 데이터셋에 이미지를 추가할 수 있습니까?#

네. 파일을 데이터셋 갤러리에 드래그하거나 페이지 헤더의 업로드 아이콘을 클릭하면 브라우저의 기본 파일 선택기가 바로 열립니다. 처리가 완료되면 새로운 통계가 자동으로 계산됩니다.

이미지를 분할(split) 간에 어떻게 이동합니까?#

일괄 분할 이동 기능을 사용하십시오:

1. 테이블 뷰에서 이미지 선택
2. 마우스 우클릭 후 Move to split을 선택합니다.
3. 대상 분할(Train, Validation 또는 Test) 선택

어떤 라벨 형식이 지원됩니까?#

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

동일한 데이터셋에 여러 작업 유형을 주석 달 수 있습니까?#

네. 각 이미지는 6가지 태스크 유형(detect, segment, semantic, classify, pose, OBB)에 대한 모든 어노테이션을 함께 저장합니다. 기존 어노테이션을 잃지 않고 언제든지 데이터셋의 활성 태스크 유형을 전환할 수 있습니다. 활성 태스크 유형과 일치하는 어노테이션만 편집기에 표시되며 내보내기 및 학습에 포함됩니다. 다른 태스크의 어노테이션은 보존되며 다시 전환할 때 다시 나타납니다.