구성

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 YOLOv8 : 구성

Ultralytics 명령은 다음 구문을 사용합니다:

yolo TASK MODE ARGS

from ultralytics import YOLO

# Load a YOLOv8 model from a pre-trained weights file
model = YOLO('yolov8n.pt')

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

Where:

• TASK (선택 사항)은 (감지, 세그먼트, 분류, 포즈)
• MODE (필수)는 (기차, val, 예측, 내보내기, 트랙)
• 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 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.

작업 가이드

모드

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

• 훈련: 사용자 지정 데이터 세트에 대한 YOLOv8 모델 학습용입니다.
• Val: YOLOv8 모델이 학습된 후 유효성을 검사합니다.
• 예측: 예측: 새로운 이미지 또는 동영상에 대해 학습된 YOLOv8 모델을 사용하여 예측을 수행합니다.
• 내보내기: 내보내기: YOLOv8 모델을 배포에 사용할 수 있는 형식으로 내보냅니다.
• 추적: 추적: YOLOv8 모델을 사용하여 실시간으로 개체를 추적합니다.
• 벤치마크: YOLOv8 내보내기(ONNX, TensorRT 등) 속도 및 정확도를 벤치마킹합니다.

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.

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:

시각화 인수:

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.

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.

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

내보내기 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:

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.

댓글