구성

Q: What are the key hyperparameters to consider for YOLO model accuracy?

YOLO 모델 정확도에 영향을 미치는 주요 하이퍼파라미터는 다음과 같습니다: 데이터 세트 및 하드웨어 기능에 따라 이러한 값을 조정하세요. 훈련 설정 섹션에서 자세히 알아보세요.

Q: How do I set the learning rate for training a YOLO model?

학습률(lr0)은 최적화를 위해 매우 중요합니다. 일반적인 시작점은 SGD의 경우 0.01, Adam의 경우 0.001입니다. 학습 메트릭을 모니터링하고 필요한 경우 조정하는 것이 중요합니다. 코사인 학습 속도 스케줄러(cos_lr) 또는 워밍업 기법(warmup_epochs, warmup_momentum)을 사용하여 훈련 중에 속도를 동적으로 수정할 수 있습니다. 자세한 내용은 훈련 가이드에서 확인하세요.

Q: What are the default inference settings for YOLO models?

기본 추론 설정에는 다음이 포함됩니다: 종합적인 개요는 예측 설정 섹션과 예측 가이드를 참조하세요.

Q: Why should I use mixed precision training with YOLO models?

혼합 정밀도 훈련은 amp=True로 활성화하면 메모리 사용량을 줄이고 FP16과 FP32의 장점을 모두 활용하여 훈련 속도를 높일 수 있습니다. 이는 기본적으로 혼합 정밀도를 지원하는 최신 GPU에 유용하며, 더 많은 모델을 메모리에 넣을 수 있고 정확도의 큰 손실 없이 더 빠른 계산을 가능하게 합니다. 이에 대한 자세한 내용은 훈련 가이드에서 확인하세요.

YOLO 설정 및 하이퍼파라미터는 모델의 성능, 속도 및 정확도에 중요한 역할을 합니다. 이러한 설정과 하이퍼파라미터는 학습, 검증, 예측 등 모델 개발 프로세스의 다양한 단계에서 모델의 동작에 영향을 미칠 수 있습니다.

Watch: 마스터링 Ultralytics YOLO : 구성

Ultralytics 명령은 다음 구문을 사용합니다:

예

CLIPython

yolo TASK MODE ARGS

from ultralytics import YOLO

# Load a YOLO11 model from a pre-trained weights file
model = YOLO("yolo11n.pt")

# Run MODE mode using the custom arguments ARGS (guess TASK)
model.MODE(ARGS)

Where:

TASK (선택 사항)은 (감지, 세그먼트, 분류, 포즈, obb)
MODE (필수)는 (기차, val, 예측, 내보내기, 트랙, 벤치마크)
ARGS (선택 사항)은 다음과 같습니다. arg=value 같은 imgsz=640 기본값을 재정의할 수 있습니다.

기본값 ARG 값은 이 페이지에서 cfg/defaults.yaml 파일.

작업

YOLO 모델은 감지, 세분화, 분류, 포즈 등 다양한 작업에 사용할 수 있습니다. 이러한 작업은 생성하는 결과물의 유형과 해결하고자 하는 특정 문제가 다릅니다.

감지: 감지: 이미지 또는 동영상에서 관심 있는 물체 또는 영역을 식별하고 위치를 파악합니다.
세그먼트: 이미지 또는 동영상을 서로 다른 객체 또는 클래스에 해당하는 영역 또는 픽셀로 나누는 데 사용됩니다.
분류: 입력 이미지의 클래스 레이블을 예측합니다.
포즈: 포즈: 이미지 또는 동영상에서 객체를 식별하고 키포인트를 추정하는 데 사용됩니다.
OBB: 위성 또는 의료 이미지에 적합한 방향성(즉, 회전된) 바운딩 박스입니다.

인수	기본값	설명
`task`	`'detect'`	실행할 YOLO 작업을 지정합니다. 옵션은 다음과 같습니다. `detect` 에 대한 물체 감지, `segment` 를 사용하여 세분화할 수 있습니다, `classify` 분류를 위해, `pose` 를 사용하여 포즈를 추정하고 `obb` 를 사용합니다. 각 작업은 이미지 및 동영상 분석의 특정 출력 유형과 문제에 맞게 조정됩니다.

작업 가이드

모드

YOLO 모델은 해결하려는 특정 문제에 따라 다양한 모드로 사용할 수 있습니다. 이러한 모드에는 다음이 포함됩니다:

훈련: 사용자 지정 데이터 세트에 대한 YOLO11 모델 학습용.
Val: YOLO11 모델이 학습된 후 유효성을 검사합니다.
예측: 예측: 새로운 이미지 또는 동영상에 대해 학습된 YOLO11 모델을 사용하여 예측을 수행합니다.
내보내기: 내보내기: YOLO11 모델을 배포에 사용할 수 있는 형식으로 내보냅니다.
추적: 추적: YOLO11 모델을 사용하여 실시간으로 개체를 추적합니다.
벤치마크: YOLO11 내보내기(ONNX, TensorRT 등) 속도 및 정확도를 벤치마킹합니다.

인수	기본값	설명
`mode`	`'train'`	YOLO 모델이 작동하는 모드를 지정합니다. 옵션은 다음과 같습니다. `train` 모델 트레이닝을 위해 `val` 를 사용하여 유효성을 검사합니다, `predict` 를 사용하여 새로운 데이터를 추론할 수 있습니다, `export` 를 사용하여 모델을 배포 형식으로 변환할 수 있습니다, `track` 객체 추적용 `benchmark` 를 사용하여 성능 평가를 수행할 수 있습니다. 각 모드는 개발부터 배포까지 모델 라이프사이클의 여러 단계에 맞게 설계되었습니다.

모드 가이드

열차 설정

YOLO 모델의 학습 설정에는 학습 프로세스 중에 사용되는 다양한 하이퍼파라미터와 구성이 포함됩니다. 이러한 설정은 모델의 성능, 속도 및 정확도에 영향을 미칩니다. 주요 훈련 설정에는 배치 크기, 학습 속도, 모멘텀 및 가중치 감쇠가 포함됩니다. 또한 최적화 도구, 손실 함수, 학습 데이터 세트 구성도 학습 프로세스에 영향을 미칠 수 있습니다. 이러한 설정을 신중하게 조정하고 실험하는 것은 성능을 최적화하는 데 매우 중요합니다.

인수	기본값	설명
`model`	`None`	학습할 모델 파일을 지정합니다. 다음 중 하나의 경로를 허용합니다. `.pt` 사전 학습된 모델 또는 `.yaml` 구성 파일. 모델 구조를 정의하거나 가중치를 초기화하는 데 필수적입니다.
`data`	`None`	데이터 집합 구성 파일의 경로(예:, `coco8.yaml`). 이 파일에는 트레이닝 경로를 비롯한 데이터 세트별 매개변수와 유효성 검사 데이터, 클래스 이름, 클래스 수를 입력합니다.
`epochs`	`100`	총 훈련 에포크 수입니다. 각 에포크는 전체 데이터 세트에 대한 전체 패스를 나타냅니다. 이 값을 조정하면 학습 기간과 모델 성능에 영향을 줄 수 있습니다.
`time`	`None`	최대 훈련 시간(시간). 설정하면 이 값은 `epochs` 인수를 사용하여 지정된 시간 후에 트레이닝을 자동으로 중지할 수 있습니다. 시간 제약이 있는 교육 시나리오에 유용합니다.
`patience`	`100`	훈련을 조기 중단하기 전에 검증 지표의 개선 없이 기다려야 하는 에포크 수입니다. 성능이 정체될 때 훈련을 중단하여 과적합을 방지합니다.
`batch`	`16`	배치 크기세 가지 모드가 있습니다(예: 정수로 설정), `batch=16`), 60% GPU 메모리 사용률의 자동 모드(`batch=-1`) 또는 지정된 사용률 비율의 자동 모드(`batch=0.70`).
`imgsz`	`640`	학습을 위한 목표 이미지 크기입니다. 모든 이미지는 모델에 입력되기 전에 이 크기로 조정됩니다. 모델 정확도와 계산 복잡도에 영향을 줍니다.
`save`	`True`	훈련 체크포인트와 최종 모델 가중치를 저장할 수 있습니다. 훈련 또는 모델 배포를 재개할 때 유용합니다.
`save_period`	`-1`	모델 체크포인트 저장 빈도(에포크 단위로 지정)입니다. 값이 -1이면 이 기능이 비활성화됩니다. 긴 훈련 세션 동안 중간 모델을 저장할 때 유용합니다.
`cache`	`False`	메모리에서 데이터 세트 이미지의 캐싱을 활성화합니다(`True`/`ram`), 디스크(`disk`) 또는 비활성화(`False`). 메모리 사용량을 늘리는 대신 디스크 I/O를 줄여 훈련 속도를 향상시킵니다.
`device`	`None`	교육용 계산 장치를 지정합니다: 단일 GPU (`device=0`), 다중 GPU(`device=0,1`), CPU (`device=cpu`) 또는 애플 실리콘의 경우 MPS (`device=mps`).
`workers`	`8`	데이터 로딩을 위한 워커 스레드 수(당 `RANK` 다중GPU 훈련인 경우). 데이터 전처리 및 모델에 공급하는 속도에 영향을 미치며, 특히 다중GPU 설정에서 유용합니다.
`project`	`None`	교육 결과물이 저장되는 프로젝트 디렉토리의 이름입니다. 다양한 실험을 체계적으로 저장할 수 있습니다.
`name`	`None`	트레이닝 실행의 이름입니다. 프로젝트 폴더 내에 트레이닝 로그 및 결과물이 저장되는 하위 디렉터리를 만드는 데 사용됩니다.
`exist_ok`	`False`	True로 설정하면 기존 프로젝트/이름 디렉터리를 덮어쓸 수 있습니다. 이전 결과물을 수동으로 지울 필요 없이 반복적인 실험을 할 때 유용합니다.
`pretrained`	`True`	사전 학습된 모델에서 학습을 시작할지 여부를 결정합니다. 가중치를 로드할 특정 모델에 대한 부울 값 또는 문자열 경로일 수 있습니다. 학습 효율성과 모델 성능을 향상시킵니다.
`optimizer`	`'auto'`	교육용 옵티마이저 선택. 옵션은 다음과 같습니다. `SGD`, `Adam`, `AdamW`, `NAdam`, `RAdam`, `RMSProp` 등 또는 `auto` 를 사용하여 모델 구성에 따라 자동으로 선택할 수 있습니다. 컨버전스 속도와 안정성에 영향을 줍니다.
`seed`	`0`	트레이닝을 위한 무작위 시드를 설정하여 동일한 구성으로 실행할 때 결과의 재현성을 보장합니다.
`deterministic`	`True`	결정론적 알고리즘 사용을 강제하여 재현성을 보장하지만 비결정론적 알고리즘에 대한 제한으로 인해 성능과 속도에 영향을 줄 수 있습니다.
`single_cls`	`False`	훈련 중에 다중 클래스 데이터 세트의 모든 클래스를 단일 클래스로 취급합니다. 이진 분류 작업이나 분류보다는 객체의 존재 여부에 초점을 맞출 때 유용합니다.
`classes`	`None`	훈련할 클래스 ID 목록을 지정합니다. 교육 중에 특정 클래스를 필터링하고 집중할 때 유용합니다.
`rect`	`False`	직사각형 학습을 활성화하여 배치 구성을 최적화하여 패딩을 최소화합니다. 효율성과 속도를 향상시킬 수 있지만 모델 정확도에 영향을 줄 수 있습니다.
`cos_lr`	`False`	코사인 학습률 스케줄러를 활용하여 기간별 코사인 곡선에 따라 학습률을 조정합니다. 더 나은 컨버전스를 위해 학습 속도를 관리하는 데 도움이 됩니다.
`close_mosaic`	`10`	완료하기 전에 훈련을 안정화하기 위해 지난 N개의 에포크에서 모자이크 데이터 증강을 비활성화합니다. 0으로 설정하면 이 기능이 비활성화됩니다.
`resume`	`False`	마지막으로 저장한 체크포인트부터 훈련을 재개합니다. 모델 가중치, 최적화 상태 및 에포크 수를 자동으로 로드하여 훈련을 원활하게 계속합니다.
`amp`	`True`	자동 혼합 정밀도 (AMP) 훈련을 활성화하여 메모리 사용량을 줄이고 정확도에 미치는 영향을 최소화하면서 훈련 속도를 높일 수 있습니다.
`fraction`	`1.0`	학습에 사용할 데이터 세트의 일부를 지정합니다. 전체 데이터 세트의 하위 집합에 대한 학습을 허용하며, 실험이나 리소스가 제한되어 있는 경우에 유용합니다.
`profile`	`False`	훈련 중에 ONNX 및 TensorRT 속도를 프로파일링하여 모델 배포를 최적화하는 데 유용합니다.
`freeze`	`None`	모델의 처음 N개의 레이어 또는 인덱스별로 지정된 레이어를 고정하여 학습 가능한 파라미터의 수를 줄입니다. 미세 조정 또는 전이 학습에 유용합니다.
`lr0`	`0.01`	초기 학습률(예 `SGD=1E-2`, `Adam=1E-3`) . 이 값을 조정하는 것은 최적화 프로세스에서 매우 중요하며, 모델 가중치가 업데이트되는 속도에 영향을 줍니다.
`lrf`	`0.01`	초기 학습률의 일부분인 최종 학습률 = (`lr0 * lrf`), 스케줄러와 함께 사용하여 시간에 따른 학습 속도를 조정하는 데 사용됩니다.
`momentum`	`0.937`	SGD 또는 아담 옵티마이저용 베타1의 모멘텀 계수로, 현재 업데이트에서 과거 그라데이션의 통합에 영향을 줍니다.
`weight_decay`	`0.0005`	L2 정규화 기간, 과적합을 방지하기 위해 큰 가중치에 불이익을 줍니다.
`warmup_epochs`	`3.0`	학습 속도 워밍업을 위한 에포크 수로, 학습 속도를 낮은 값에서 초기 학습 속도까지 서서히 높여 조기에 학습을 안정화합니다.
`warmup_momentum`	`0.8`	워밍업 단계의 초기 운동량으로, 워밍업 기간 동안 설정된 운동량에 점차적으로 적응합니다.
`warmup_bias_lr`	`0.1`	워밍업 단계에서 바이어스 매개변수에 대한 학습 속도를 높여 초기 단계에서 모델 학습을 안정화하는 데 도움이 됩니다.
`box`	`7.5`	손실 함수에서 박스 손실 성분의 가중치로, 바운딩 박스 좌표를 정확하게 예측하는 데 얼마나 중점을 두는지에 영향을 줍니다.
`cls`	`0.5`	총 손실 함수에서 분류 손실의 가중치로, 다른 구성 요소에 비해 정확한 클래스 예측의 중요도에 영향을 줍니다.
`dfl`	`1.5`	세분화된 분류를 위해 특정 YOLO 버전에서 사용되는 분포 초점 손실의 가중치입니다.
`pose`	`12.0`	포즈 추정을 위해 학습된 모델에서 포즈 손실의 가중치로, 포즈 키포인트를 정확하게 예측하는 데 중점을 둡니다.
`kobj`	`2.0`	포즈 추정 모델에서 키포인트 객체성 손실의 가중치로, 감지 신뢰도와 포즈 정확도 간의 균형을 맞춥니다.
`nbs`	`64`	손실 정규화를 위한 공칭 배치 크기입니다.
`overlap_mask`	`True`	학습을 위해 객체 마스크를 하나의 마스크로 병합할지, 아니면 각 객체마다 별도로 유지할지 결정합니다. 겹치는 경우 병합하는 동안 작은 마스크가 큰 마스크 위에 오버레이됩니다.
`mask_ratio`	`4`	세분화 마스크의 다운샘플 비율로, 훈련 중에 사용되는 마스크의 해상도에 영향을 줍니다.
`dropout`	`0.0`	분류 작업의 정규화를 위한 탈락률, 훈련 중 무작위로 단위를 생략하여 과적합을 방지합니다.
`val`	`True`	훈련 중 유효성 검사를 활성화하여 별도의 데이터 세트에서 모델 성능을 주기적으로 평가할 수 있습니다.
`plots`	`False`	학습 및 검증 메트릭과 예측 예제의 플롯을 생성하고 저장하여 모델 성능 및 학습 진행 상황에 대한 시각적 인사이트를 제공합니다.

배치 크기 설정에 대한 참고 사항

그리고 batch 인수는 세 가지 방법으로 구성할 수 있습니다:

고정 배치 크기: 정수 값을 설정합니다(예 batch=16)를 사용하여 배치당 이미지 수를 직접 지정할 수 있습니다.
자동 모드(60% GPU 메모리): 사용 batch=-1 를 사용하여 약 60%의 CUDA 메모리 사용률에 맞게 배치 크기를 자동으로 조정합니다.
사용률 비율을 사용한 자동 모드: 분수 값 설정(예:, batch=0.70)를 사용하여 GPU 메모리 사용량의 지정된 비율에 따라 배치 크기를 조정할 수 있습니다.

기차 가이드

예측 설정

YOLO 모델의 예측 설정에는 새로운 데이터를 추론하는 동안 모델의 성능, 속도 및 정확도에 영향을 미치는 다양한 하이퍼파라미터와 구성이 포함되어 있습니다. 특정 작업에 대한 최적의 성능을 얻으려면 이러한 설정을 신중하게 조정하고 실험해 보는 것이 필수적입니다. 주요 설정에는 신뢰도 임계값, NMS(비최대 억제) 임계값 및 고려되는 클래스 수가 포함됩니다. 예측 프로세스에 영향을 미치는 추가 요소로는 입력 데이터 크기 및 형식, 마스크 또는 상자당 여러 개의 레이블과 같은 보조 기능의 존재 여부, 모델이 사용되는 특정 작업 등이 있습니다.

추론 인수:

인수	유형	기본값	설명
`source`	`str`	`'ultralytics/assets'`	추론할 데이터 소스를 지정합니다. 이미지 경로, 동영상 파일, 디렉토리, URL 또는 실시간 피드용 디바이스 ID가 될 수 있습니다. 다양한 형식과 소스를 지원하므로 다양한 유형의 입력에 유연하게 적용할 수 있습니다.
`conf`	`float`	`0.25`	탐지에 대한 최소 신뢰도 임계값을 설정합니다. 이 임계값보다 낮은 신뢰도로 탐지된 개체는 무시됩니다. 이 값을 조정하면 오탐지를 줄이는 데 도움이 될 수 있습니다.
`iou`	`float`	`0.7`	비최대 억제(NMS)에 대한 교차점 초과 (IoU) 임계값입니다. 값이 낮을수록 중복되는 상자를 제거하여 탐지 횟수가 줄어들어 중복을 줄이는 데 유용합니다.
`imgsz`	`int or tuple`	`640`	추론할 이미지 크기를 정의합니다. 단일 정수일 수 있습니다. `640` 를 사용하여 정사각형 크기 조정 또는 (높이, 너비) 튜플을 사용합니다. 적절한 크기 조정은 감지율을 향상시킬 수 있습니다. 정확성 처리 속도.
`half`	`bool`	`False`	정확도에 미치는 영향을 최소화하면서 지원되는 GPU에서 모델 추론 속도를 높일 수 있는 반정확도 (FP16) 추론을 활성화합니다.
`device`	`str`	`None`	추론할 장치를 지정합니다(예, `cpu`, `cuda:0` 또는 `0`). 사용자가 모델 실행을 위해 CPU, 특정 GPU, 또는 기타 컴퓨팅 장치 중에서 선택할 수 있습니다.
`batch`	`int`	`1`	추론할 배치 크기를 지정합니다(소스가 다음과 같은 경우에만 작동합니다. 디렉토리, 비디오 파일 또는 `.txt` 파일). 배치 크기가 클수록 처리량이 증가하여 추론에 필요한 총 시간을 단축할 수 있습니다.
`max_det`	`int`	`300`	이미지당 허용되는 최대 감지 횟수. 모델이 한 번의 추론에서 감지할 수 있는 총 오브젝트 수를 제한하여 밀집된 장면에서 과도한 출력을 방지합니다.
`vid_stride`	`int`	`1`	비디오 입력의 프레임 보폭. 동영상에서 프레임을 건너뛰어 시간 해상도를 희생하면서 처리 속도를 높일 수 있습니다. 값이 1이면 모든 프레임을 처리하고, 값이 클수록 프레임을 건너뜁니다.
`stream_buffer`	`bool`	`False`	비디오 스트림에 대해 수신 프레임을 대기열에 넣을지 여부를 결정합니다. 만약 `False`로 설정하면 새 프레임을 수용하기 위해 이전 프레임이 삭제됩니다(실시간 애플리케이션에 최적화됨). True'면 새 프레임을 버퍼에 대기시켜 건너뛰는 프레임이 없도록 하지만 추론 FPS가 스트림 FPS보다 낮으면 지연이 발생합니다.
`visualize`	`bool`	`False`	추론 중에 모델 기능의 시각화를 활성화하여 모델이 '보고 있는 것'에 대한 인사이트를 제공합니다. 디버깅 및 모델 해석에 유용합니다.
`augment`	`bool`	`False`	예측을 위한 테스트 시간 증강(TTA)을 지원하여 추론 속도를 희생하면서 탐지 견고성을 향상시킬 수 있습니다.
`agnostic_nms`	`bool`	`False`	서로 다른 클래스의 겹치는 상자를 병합하는 클래스 무관 NMS(Non-Maximum Suppression)를 활성화합니다. 클래스 중복이 일반적인 다중 클래스 탐지 시나리오에 유용합니다.
`classes`	`list[int]`	`None`	클래스 ID 집합으로 예측을 필터링합니다. 지정된 클래스에 속하는 탐지만 반환됩니다. 다중 클래스 탐지 작업에서 관련 개체에 집중하는 데 유용합니다.
`retina_masks`	`bool`	`False`	고해상도 분할 마스크를 반환합니다. 반환된 마스크(`masks.data`)를 활성화하면 원본 이미지 크기와 일치합니다. 비활성화하면 추론 중에 사용되는 이미지 크기가 사용됩니다.
`embed`	`list[int]`	`None`	특징 벡터 또는 임베딩을 추출할 레이어를 지정합니다. 클러스터링이나 유사도 검색과 같은 다운스트림 작업에 유용합니다.
`project`	`str`	`None`	예측 출력이 저장되는 프로젝트 디렉터리의 이름(다음과 같은 경우). `save` 가 활성화되어 있습니다.
`name`	`str`	`None`	예측 실행의 이름입니다. 다음과 같은 경우 예측 출력이 저장되는 프로젝트 폴더 내에 하위 디렉터리를 만드는 데 사용됩니다. `save` 가 활성화되어 있습니다.

시각화 인수:

인수	유형	기본값	설명
`show`	`bool`	`False`	만약 `True`를 클릭하면 주석이 달린 이미지 또는 동영상이 창에 표시됩니다. 개발 또는 테스트 중에 즉각적인 시각적 피드백을 받을 때 유용합니다.
`save`	`bool`	`False` 또는 `True`	주석이 달린 이미지나 동영상을 파일로 저장할 수 있습니다. 문서화, 추가 분석 또는 결과 공유에 유용합니다. 기본값은 CLI 에서 사용할 경우 True, Python 에서 사용할 경우 False입니다.
`save_frames`	`bool`	`False`	동영상 처리 시 개별 프레임을 이미지로 저장합니다. 특정 프레임을 추출하거나 프레임별로 세부적으로 분석할 때 유용합니다.
`save_txt`	`bool`	`False`	탐지 결과를 다음 형식에 따라 텍스트 파일로 저장합니다. `[class] [x_center] [y_center] [width] [height] [confidence]`. 다른 분석 도구와의 통합에 유용합니다.
`save_conf`	`bool`	`False`	저장된 텍스트 파일에 신뢰도 점수를 포함합니다. 후처리 및 분석에 사용할 수 있는 세부 정보를 향상시킵니다.
`save_crop`	`bool`	`False`	탐지된 이미지를 잘라낸 이미지를 저장합니다. 데이터 세트 보강, 분석 또는 특정 개체에 대한 집중 데이터 세트 생성에 유용합니다.
`show_labels`	`bool`	`True`	시각적 출력에 각 감지 항목에 대한 레이블을 표시합니다. 감지된 개체에 대한 즉각적인 이해를 제공합니다.
`show_conf`	`bool`	`True`	각 탐지에 대한 신뢰도 점수를 라벨과 함께 표시합니다. 각 탐지에 대한 모델의 확실성에 대한 인사이트를 제공합니다.
`show_boxes`	`bool`	`True`	감지된 개체 주위에 경계 상자를 그립니다. 이미지 또는 비디오 프레임에서 물체를 시각적으로 식별하고 위치를 파악하는 데 필수적입니다.
`line_width`	`None` 또는 `int`	`None`	경계 상자의 선 너비를 지정합니다. 만약 `None`를 클릭하면 이미지 크기에 따라 선 너비가 자동으로 조정됩니다. 선명도를 위한 시각적 사용자 지정 기능을 제공합니다.

예측 가이드

유효성 검사 설정

YOLO 모델의 VAL(유효성 검사) 설정에는 유효성 검사 데이터 세트에서 모델의 성능을 평가하는 데 사용되는 다양한 하이퍼파라미터 및 구성이 포함됩니다. 이러한 설정은 모델의 성능, 속도 및 정확도에 영향을 미칩니다. 일반적인 YOLO 유효성 검사 설정에는 배치 크기, 학습 중 유효성 검사 빈도 및 성능 평가 메트릭이 포함됩니다. 유효성 검사 프로세스에 영향을 미치는 다른 요인으로는 유효성 검사 데이터 세트의 크기와 구성, 모델이 사용되는 특정 작업 등이 있습니다.

인수	유형	기본값	설명
`data`	`str`	`None`	데이터 세트 구성 파일의 경로를 지정합니다(예:, `coco8.yaml`). 이 파일에는 다음 경로가 포함됩니다. 유효성 검사 데이터, 클래스 이름, 클래스 수를 입력합니다.
`imgsz`	`int`	`640`	입력 이미지의 크기를 정의합니다. 모든 이미지는 처리하기 전에 이 크기로 크기가 조정됩니다.
`batch`	`int`	`16`	배치당 이미지 수를 설정합니다. 사용 `-1` 를 설정하면 GPU 메모리 가용성에 따라 자동으로 조정됩니다.
`save_json`	`bool`	`False`	만약 `True`를 클릭하면 추가 분석 또는 다른 도구와의 통합을 위해 결과를 JSON 파일에 저장합니다.
`save_hybrid`	`bool`	`False`	만약 `True`를 클릭하면 원래 주석과 추가 모델 예측을 결합한 하이브리드 버전의 레이블이 저장됩니다.
`conf`	`float`	`0.001`	탐지에 대한 최소 신뢰도 임계값을 설정합니다. 이 임계값 미만의 신뢰도를 가진 탐지는 삭제됩니다.
`iou`	`float`	`0.6`	NMS(비최대 억제)에 대한 IoU( 교차점 초과 연합 ) 임계값을 설정합니다. 중복 탐지를 줄이는 데 도움이 됩니다.
`max_det`	`int`	`300`	이미지당 최대 감지 횟수를 제한합니다. 과도한 감지를 방지하기 위해 밀집된 장면에서 유용합니다.
`half`	`bool`	`True`	반정밀도 (FP16) 계산을 지원하여 정확도에 미치는 영향을 최소화하면서 메모리 사용량을 줄이고 잠재적으로 속도를 높일 수 있습니다.
`device`	`str`	`None`	유효성 검사할 장치를 지정합니다(`cpu`, `cuda:0`등). CPU 또는 GPU 리소스를 유연하게 활용할 수 있습니다.
`dnn`	`bool`	`False`	만약 `True`를 사용하여 OpenCV ONNX 모델 추론을 위한 DNN 모듈로, 다음과 같은 대안을 제공합니다. PyTorch 추론 방법.
`plots`	`bool`	`False`	로 설정한 경우 `True`는 모델의 성능을 시각적으로 평가할 수 있도록 실측값과 예측값을 비교한 플롯을 생성하고 저장합니다.
`rect`	`bool`	`True`	만약 `True`는 일괄 처리에 직사각형 추론을 사용하여 패딩을 줄이고 잠재적으로 속도와 효율성을 높입니다.
`split`	`str`	`val`	유효성 검사에 사용할 데이터 세트 분할을 결정합니다(`val`, `test`또는 `train`). 성능 평가를 위한 데이터 세그먼트를 유연하게 선택할 수 있습니다.
`project`	`str`	`None`	유효성 검사 출력이 저장되는 프로젝트 디렉터리의 이름입니다.
`name`	`str`	`None`	유효성 검사 실행의 이름입니다. 프로젝트 폴더 내에 유효성 검사 로그와 출력이 저장되는 하위 디렉터리를 만드는 데 사용됩니다.

검증 데이터 세트에서 최적의 성능을 보장하고 과적합을 감지하고 방지하려면 이러한 설정을 신중하게 조정하고 실험하는 것이 중요합니다.

Val 가이드

내보내기 설정

YOLO 모델의 내보내기 설정에는 다양한 환경이나 플랫폼에서 사용할 수 있도록 모델을 저장하거나 내보내는 것과 관련된 구성 및 옵션이 포함됩니다. 이러한 설정은 모델의 성능, 크기 및 다양한 시스템과의 호환성에 영향을 줄 수 있습니다. 주요 내보내기 설정에는 내보내는 모델 파일 형식(예: ONNX, TensorFlow SavedModel ), 대상 장치(예: CPU, GPU), 마스크 또는 상자당 여러 개의 레이블과 같은 추가 기능이 포함됩니다. 내보내기 프로세스는 모델의 특정 작업과 대상 환경 또는 플랫폼의 요구 사항 또는 제약 조건에 따라 영향을 받을 수도 있습니다.

인수	유형	기본값	설명
`format`	`str`	`'torchscript'`	내보낸 모델의 대상 형식은 다음과 같습니다. `'onnx'`, `'torchscript'`, `'tensorflow'`등을 사용하여 다양한 배포 환경과의 호환성을 정의합니다.
`imgsz`	`int` 또는 `tuple`	`640`	모델 입력에 사용할 원하는 이미지 크기입니다. 정사각형 이미지의 경우 정수 또는 튜플일 수 있습니다. `(height, width)` 를 입력합니다.
`keras`	`bool`	`False`	에 대해 Keras 형식으로 내보내기를 활성화합니다. TensorFlow SavedModel 로 내보낼 수 있도록 설정하여 TensorFlow 서비스 및 API와의 호환성을 제공합니다.
`optimize`	`bool`	`False`	TorchScript 으로 내보낼 때 모바일 장치에 대한 최적화를 적용하여 모델 크기를 줄이고 성능을 개선할 수 있습니다.
`half`	`bool`	`False`	FP16(반정밀) 양자화를 활성화하여 모델 크기를 줄이고 지원되는 하드웨어에서 추론 속도를 높일 수 있습니다.
`int8`	`bool`	`False`	INT8 양자화를 활성화하여 모델을 더욱 압축하고 주로 에지 디바이스의 경우 정확도 손실을 최소화하면서 추론 속도를 높입니다.
`dynamic`	`bool`	`False`	ONNX, TensorRT 및 OpenVINO 내보내기에 대한 동적 입력 크기를 허용하여 다양한 이미지 크기를 유연하게 처리할 수 있습니다.
`simplify`	`bool`	`True`	다음을 사용하여 ONNX 내보내기에 대한 모델 그래프를 단순화합니다. `onnxslim`를 사용하여 성능과 호환성을 개선할 수 있습니다.
`opset`	`int`	`None`	다른 ONNX 파서 및 런타임과의 호환성을 위해 ONNX 옵셋 버전을 지정합니다. 설정하지 않으면 지원되는 최신 버전을 사용합니다.
`workspace`	`float` 또는 `None`	`None`	TensorRT 최적화를 위한 최대 작업 공간 크기를 GiB 단위로 설정하여 메모리 사용량과 성능의 균형을 맞춥니다. `None` 를 통해 최대 장치까지 TensorRT 로 자동 할당할 수 있습니다.
`nms`	`bool`	`False`	정확하고 효율적인 탐지 후처리를 위해 필수적인 비최대 억제(NMS)를 CoreML 내보내기에 추가합니다.
`batch`	`int`	`1`	내보내기 모델 일괄 추론 크기 또는 내보낸 모델이 동시에 처리할 최대 이미지 수를 지정합니다. `predict` 모드로 전환합니다.
`device`	`str`	`None`	내보낼 장치를 지정합니다: GPU (`device=0`), CPU (`device=cpu`), 애플 실리콘의 경우 MPS (`device=mps`) 또는 DLA for NVIDIA Jetson(`device=dla:0` 또는 `device=dla:1`).

내보낸 모델이 의도한 사용 사례에 최적화되고 대상 환경에서 효과적으로 작동하도록 하려면 이러한 설정을 신중하게 구성하는 것이 중요합니다.

내보내기 가이드

솔루션 설정

Ultralytics 솔루션의 구성 설정은 개체 수 계산, 히트맵 생성, 운동 추적, 데이터 분석, 구역 추적, 대기열 관리, 지역 기반 계산과 같은 다양한 작업에 맞게 모델을 유연하게 사용자 지정할 수 있는 방법을 제공합니다. 이러한 옵션을 사용하면 특정 요구 사항에 맞는 정확하고 유용한 결과를 얻을 수 있도록 설정을 쉽게 조정할 수 있습니다.

인수	유형	기본값	설명
`region`	`list`	`[(20, 400), (1080, 400), (1080, 360), (20, 360)]`	객체 카운팅, 대기열 모니터링, 트랙존 또는 속도 추정을 위한 영역 포인트를 정의합니다. 포인트는 분석을 위해 다각형 영역을 형성하는 좌표로 정의됩니다.
`show_in`	`bool`	`True`	정의된 영역에 들어온 것으로 계산되는 개체를 표시할지 여부를 나타냅니다. 유입 추세 모니터링과 같은 실제 분석에 필수적입니다.
`show_out`	`bool`	`True`	정의된 영역을 벗어나는 것으로 계산되는 개체를 표시할지 여부를 나타냅니다. 송신 추적 및 분석이 필요한 애플리케이션에 유용합니다.
`colormap`	`int or tuple`	`COLORMAP_PARULA`	히트맵 시각화를 위한 OpenCV 지원 컬러맵을 지정합니다. 기본값은 `COLORMAP_PARULA`을 사용하지만 다른 컬러맵을 사용하여 다양한 시각화 기본 설정을 지정할 수 있습니다.
`up_angle`	`float`	`145.0`	운동 모니터링에서 "위" 위치를 감지하기 위한 각도 임계값입니다. 다양한 운동의 키포인트 위치에 따라 조정할 수 있습니다.
`down_angle`	`float`	`90.0`	운동 모니터링에서 "아래" 위치를 감지하기 위한 각도 임계값입니다. 특정 운동의 키포인트 위치에 따라 이 값을 조정합니다.
`kpts`	`list`	`[6, 8, 10]`	운동 모니터링에 사용되는 키포인트 목록입니다. 이러한 키포인트는 팔굽혀펴기, 풀업, 스쿼트, 복근 운동과 같은 운동의 어깨, 팔꿈치, 손목 등의 신체 관절 또는 부위에 해당합니다.
`analytics_type`	`str`	`line`	생성할 분석 시각화의 유형을 지정합니다. 옵션은 다음과 같습니다. `"line"`, `"pie"`, `"bar"`또는 `"area"`. 기본값은 `"line"` 트렌드 시각화를 위해
`json_file`	`str`	`None`	주차 시스템 또는 유사한 애플리케이션의 영역을 정의하는 JSON 파일의 경로입니다. 분석 영역을 유연하게 구성할 수 있습니다.

솔루션 가이드

증강 설정

증강 기술은 학습 데이터에 가변성을 도입하여 모델이 보이지 않는 데이터에 더 잘 일반화하도록 지원함으로써 YOLO 모델의 견고성과 성능을 개선하는 데 필수적입니다. 다음 표에서는 각 증강 인수의 목적과 효과를 간략하게 설명합니다:

인수	유형	기본값	범위	설명
`hsv_h`	`float`	`0.015`	`0.0 - 1.0`	이미지의 색조를 컬러환의 일부분으로 조정하여 색상 가변성을 도입합니다. 다양한 조명 조건에서 모델을 일반화하는 데 도움이 됩니다.
`hsv_s`	`float`	`0.7`	`0.0 - 1.0`	이미지의 채도를 일부 변경하여 색상의 강도에 영향을 줍니다. 다양한 환경 조건을 시뮬레이션하는 데 유용합니다.
`hsv_v`	`float`	`0.4`	`0.0 - 1.0`	이미지의 값(밝기)을 일부 수정하여 다양한 조명 조건에서 모델이 잘 작동하도록 돕습니다.
`degrees`	`float`	`0.0`	`-180 - +180`	지정된 각도 범위 내에서 이미지를 임의로 회전하여 다양한 방향에서 물체를 인식하는 모델의 능력을 향상시킵니다.
`translate`	`float`	`0.1`	`0.0 - 1.0`	이미지 크기를 가로 및 세로로 변환하여 부분적으로 보이는 물체를 감지하는 학습을 돕습니다.
`scale`	`float`	`0.5`	`>=0.0`	게인 계수에 따라 이미지의 크기를 조정하여 카메라에서 다양한 거리에 있는 물체를 시뮬레이션합니다.
`shear`	`float`	`0.0`	`-180 - +180`	이미지를 지정된 각도만큼 잘라내어 물체를 다른 각도에서 보는 효과를 모방합니다.
`perspective`	`float`	`0.0`	`0.0 - 0.001`	이미지에 무작위 원근 변환을 적용하여 3D 공간에서 물체를 이해하는 모델의 능력을 향상시킵니다.
`flipud`	`float`	`0.0`	`0.0 - 1.0`	지정된 확률로 이미지를 거꾸로 뒤집어 오브젝트의 특성에 영향을 주지 않고 데이터 가변성을 높입니다.
`fliplr`	`float`	`0.5`	`0.0 - 1.0`	지정된 확률로 이미지를 왼쪽에서 오른쪽으로 뒤집어 대칭 개체를 학습하고 데이터 세트의 다양성을 높이는 데 유용합니다.
`bgr`	`float`	`0.0`	`0.0 - 1.0`	지정된 확률로 이미지 채널을 RGB에서 BGR로 전환하여 잘못된 채널 순서에 대한 견고성을 높이는 데 유용합니다.
`mosaic`	`float`	`1.0`	`0.0 - 1.0`	4개의 훈련 이미지를 하나로 결합하여 다양한 장면 구성과 물체 상호 작용을 시뮬레이션합니다. 복잡한 장면 이해에 매우 효과적입니다.
`mixup`	`float`	`0.0`	`0.0 - 1.0`	두 이미지와 해당 레이블을 혼합하여 합성 이미지를 만듭니다. 레이블 노이즈와 시각적 가변성을 도입하여 모델의 일반화 능력을 향상시킵니다.
`copy_paste`	`float`	`0.0`	`0.0 - 1.0`	객체 인스턴스를 늘리고 객체 오클루전을 학습하는 데 유용한 객체를 이미지 전체에 복사하여 붙여넣기합니다. 세분화 레이블이 필요합니다.
`copy_paste_mode`	`str`	`flip`	-	의 옵션 중 복사-붙여넣기 확대 방법 선택(`"flip"`, `"mixup"`).
`auto_augment`	`str`	`randaugment`	-	미리 정의된 증강 정책을 자동으로 적용합니다(`randaugment`, `autoaugment`, `augmix`), 시각적 기능을 다양화하여 분류 작업에 최적화합니다.
`erasing`	`float`	`0.4`	`0.0 - 0.9`	분류 훈련 중에 이미지의 일부를 임의로 지워 모델이 덜 분명한 특징에 집중하여 인식하도록 유도합니다.
`crop_fraction`	`float`	`1.0`	`0.1 - 1.0`	분류 이미지를 일부 크기로 잘라내어 중심 특징을 강조하고 물체 크기에 맞게 조정하여 배경의 산만함을 줄입니다.

이러한 설정은 데이터 세트와 작업의 특정 요구 사항을 충족하도록 조정할 수 있습니다. 다양한 값으로 실험해 보면 최상의 모델 성능을 이끌어내는 최적의 증강 전략을 찾는 데 도움이 될 수 있습니다.

로깅, 체크포인트 및 플로팅 설정

로깅, 체크포인트, 플로팅 및 파일 관리는 YOLO 모델을 학습시킬 때 중요한 고려 사항입니다.

로깅: 모델의 진행 상황을 추적하고 발생할 수 있는 문제를 진단하기 위해 훈련 중에 다양한 메트릭과 통계를 기록하는 것이 도움이 되는 경우가 많습니다. 이 작업은 텐서보드와 같은 로깅 라이브러리를 사용하거나 로그 메시지를 파일에 기록하여 수행할 수 있습니다.
체크포인트: 훈련 중 일정한 간격으로 모델의 체크포인트를 저장하는 것이 좋습니다. 이렇게 하면 학습 프로세스가 중단되거나 다른 학습 구성을 실험하려는 경우 이전 지점부터 학습을 재개할 수 있습니다.
플로팅: 모델의 성능과 학습 진행 상황을 시각화하면 모델의 작동 방식을 이해하고 잠재적인 문제를 파악하는 데 도움이 될 수 있습니다. 이 작업은 matplotlib와 같은 플로팅 라이브러리를 사용하거나 TensorBoard와 같은 로깅 라이브러리를 사용하여 플롯을 생성하여 수행할 수 있습니다.
파일 관리: 모델 체크포인트, 로그 파일, 플롯 등 훈련 과정에서 생성되는 다양한 파일을 관리하는 것은 어려울 수 있습니다. 이러한 파일을 추적하고 필요에 따라 쉽게 액세스하고 분석할 수 있도록 명확하고 체계적인 파일 구조를 갖추는 것이 중요합니다.

효과적인 로깅, 체크포인트, 플로팅 및 파일 관리를 통해 모델의 진행 상황을 추적하고 훈련 프로세스를 더 쉽게 디버깅하고 최적화할 수 있습니다.

인수	기본값	설명
`project`	`'runs'`	트레이닝 실행을 저장할 루트 디렉터리를 지정합니다. 각 실행은 이 디렉터리 내의 별도의 하위 디렉터리에 저장됩니다.
`name`	`'exp'`	실험의 이름을 정의합니다. 지정하지 않으면 YOLO 은 각 실행에 대해 이 이름을 자동으로 증가시킵니다(예 `exp`, `exp2`등을 사용하여 이전 실험을 덮어쓰지 않도록 합니다.
`exist_ok`	`False`	같은 이름의 실험 디렉터리가 이미 있는 경우 기존 실험 디렉터리를 덮어쓸지 여부를 결정합니다. 이를 `True` 은 덮어쓰기를 허용하고 `False` 를 사용하면 이를 방지할 수 있습니다.
`plots`	`False`	트레이닝 및 유효성 검사 플롯의 생성 및 저장을 제어합니다. 설정 `True` 를 사용하여 손실 곡선과 같은 플롯을 만들 수 있습니다, 정밀도-리콜 곡선 및 샘플 예측. 시간 경과에 따른 모델 성능을 시각적으로 추적하는 데 유용합니다.
`save`	`False`	훈련 체크포인트와 최종 모델 가중치를 저장할 수 있습니다. 설정 `True` 를 사용하여 모델 상태를 주기적으로 저장하여 이러한 체크포인트 또는 배포할 모델에서 교육을 재개할 수 있습니다.

자주 묻는 질문

교육 중에 YOLO 모델의 성능을 향상시키려면 어떻게 해야 하나요?

YOLO 모델 성능을 개선하려면 배치 크기, 학습 속도, 모멘텀, 가중치 감쇠와 같은 하이퍼파라미터를 조정해야 합니다. 증강 설정을 조정하고, 적합한 최적화 프로그램을 선택하고, 조기 중지 또는 혼합 정밀도와 같은 기술을 사용하는 것도 도움이 될 수 있습니다. 훈련 설정에 대한 자세한 안내는 훈련 가이드를 참조하세요.

YOLO 모델 정확도를 위해 고려해야 할 주요 하이퍼파라미터는 무엇인가요?

YOLO 모델 정확도에 영향을 미치는 주요 하이퍼파라미터는 다음과 같습니다:

배치 크기(batch): 배치 크기가 클수록 훈련이 안정화될 수 있지만 더 많은 메모리가 필요할 수 있습니다.
학습률 (lr0): 가중치 업데이트의 단계 크기를 제어합니다. 속도가 작을수록 미세 조정이 가능하지만 수렴 속도가 느려집니다.
모멘텀 (momentum): 그래디언트 벡터를 올바른 방향으로 가속하여 진동을 완화합니다.
이미지 크기(imgsz): 이미지 크기가 클수록 정확도는 향상되지만 계산 부하가 증가할 수 있습니다.

데이터 세트와 하드웨어 기능에 따라 이 값을 조정하세요. 훈련 설정 섹션에서 자세히 알아보세요.

YOLO 모델 학습을 위한 학습률은 어떻게 설정하나요?

학습 속도(lr0)는 최적화에 매우 중요합니다. 일반적인 시작점은 0.01 또는 0.001 를 설정합니다. 학습 메트릭을 모니터링하고 필요한 경우 조정하는 것이 중요합니다. 코사인 학습률 스케줄러(cos_lr) 또는 워밍업 기술(warmup_epochs, warmup_momentum)를 사용하여 훈련 중에 속도를 동적으로 수정할 수 있습니다. 자세한 내용은 기차 가이드.

YOLO 모델의 기본 추론 설정은 무엇인가요?

기본 추론 설정에는 다음이 포함됩니다:

신뢰도 임계값(conf=0.25): 탐지에 대한 최소 신뢰도.
IoU 임계값(iou=0.7): 비 최대 억제(NMS)의 경우.
이미지 크기(imgsz=640): 추론하기 전에 입력 이미지 크기를 조정합니다.
장치 (device=None): 추론을 위해 CPU 또는 GPU 을 선택합니다.

종합적인 개요는 예측 설정 섹션과 예측 가이드를 참조하세요.

혼합 정밀 교육을 YOLO 모델과 함께 사용해야 하는 이유는 무엇인가요?

혼합 정밀 교육, 다음을 통해 활성화 amp=True를 사용하면 메모리 사용량을 줄이고 FP16과 FP32의 장점을 모두 활용하여 훈련 속도를 높일 수 있습니다. 이는 기본적으로 혼합 정밀도를 지원하는 최신 GPU에 유용하며, 더 많은 모델을 메모리에 넣을 수 있고 정확도의 큰 손실 없이 더 빠른 계산을 가능하게 합니다. 이에 대한 자세한 내용은 기차 가이드.

📅1 년 전 생성됨 ✏️ 10 일 전 업데이트됨