사용자 지정 데이터로 YOLOv5 학습#

📚 이 가이드에서는 YOLOv5 모델을 사용하여 자체 사용자 지정 데이터셋을 학습하는 방법을 설명합니다 🚀. 사용자 지정 모델을 학습하는 것은 일반적인 객체 검출을 넘어 특정 실제 애플리케이션에 맞게 컴퓨터 비전 솔루션을 조정하는 기본 단계입니다.

시작하기 전에#

먼저 필요한 환경이 설정되어 있는지 확인합니다. YOLOv5 리포지토리를 클론하고 requirements.txt에서 필요한 종속 항목을 설치합니다. Python>=3.8.0 환경과 PyTorch>=1.8이 필수입니다. 모델과 데이터셋을 로컬에서 찾을 수 없는 경우 최신 YOLOv5 릴리스에서 자동으로 다운로드됩니다.

git clone https://github.com/ultralytics/yolov5 # Clone the repository
cd yolov5
pip install -r requirements.txt # Install dependencies

사용자 지정 데이터로 학습#

사용자 지정 객체 검출 모델을 개발하는 과정은 반복적입니다:

1. 이미지 수집 및 구성: 특정 작업과 관련된 이미지를 수집합니다. 고품질의 다양한 데이터가 중요합니다. 데이터 수집 및 어노테이션 가이드를 참조하세요.
2. 객체 라벨링: 이미지 내 관심 객체에 정확하게 어노테이션을 추가합니다.
3. 모델 학습: 라벨이 지정된 데이터를 사용하여 YOLOv5 모델을 학습합니다. 사전 학습된 가중치로 시작하여 전이 학습을 활용합니다.
4. 배포 및 예측: 학습된 모델을 사용하여 새롭고 보지 못한 데이터에 대해 추론을 수행합니다.
5. 엣지 케이스 수집: 모델의 성능이 낮은 시나리오(엣지 케이스)를 식별하고, 견고성을 개선하기 위해 유사한 데이터를 데이터셋에 추가합니다. 이 주기를 반복합니다.

Ultralytics Platform은 데이터셋 관리, 모델 학습, 배포를 포함한 전체 머신 러닝 운영 (MLOps) 주기를 간소화된 노코드 방식으로 제공합니다.

학습을 시작하기 전에 데이터셋 준비가 필수입니다.

1. 데이터셋 생성#

YOLOv5 모델은 객체 클래스의 시각적 특성을 학습하기 위해 라벨이 지정된 데이터가 필요합니다. 데이터셋을 올바르게 구성하는 것이 핵심입니다.

1.1 dataset.yaml 생성#

데이터셋 구성 파일(예: coco128.yaml)에는 데이터셋의 구조, 클래스 이름, 이미지 디렉터리 경로가 정의됩니다. COCO128은 대규모 COCO 데이터셋의 처음 128개 이미지로 구성된 소규모 예제 데이터셋입니다. 학습 파이프라인을 빠르게 테스트하고 과적합과 같은 잠재적인 문제를 진단하는 데 유용합니다.

dataset.yaml 파일 구조에는 다음이 포함됩니다:

• path: 데이터셋을 포함하는 루트 디렉터리입니다.
• train, val, test: 학습, 검증, 테스트 세트의 이미지 또는 이미지 경로를 나열하는 텍스트 파일이 포함된 디렉터리에 대한 path 기준 상대 경로입니다.
• names: 클래스 인덱스(0부터 시작)를 해당 클래스 이름에 매핑하는 딕셔너리입니다.

YOLOv5 리포지토리 루트에서 학습을 시작할 때 path을 절대 디렉터리(예: /home/user/datasets/coco128) 또는 ../datasets/coco128와 같은 상대 경로로 설정할 수 있습니다.

다음은 coco128.yaml의 구조입니다(GitHub에서 보기:)

# Dataset root directory relative to the yolov5 directory
path: coco128

# Train/val/test sets: specify directories, *.txt files, or lists
train: images/train2017 # 128 images for training
val: images/train2017 # 128 images for validation
test: # Optional path to test images

# Classes (example using 80 COCO classes)
names:
    0: person
    1: bicycle
    2: car
    # ... (remaining COCO classes)
    77: teddy bear
    78: hair drier
    79: toothbrush

1.2 자동 라벨링을 위한 모델 활용#

수동 라벨링은 일반적인 방식이지만 시간이 많이 걸립니다. 파운데이션 모델은 어노테이션을 자동 또는 반자동으로 처리하여 데이터셋 생성을 가속할 수 있습니다. 라벨 생성에 도움이 되는 모델의 예시는 다음과 같습니다:

• Google Gemini: Gemini와 같은 대규모 멀티모달 모델은 강력한 이미지 이해 기능을 갖추고 있습니다. 이미지 내 객체를 식별하고 위치를 찾도록 프롬프트를 제공하면, YOLO 형식 라벨로 변환할 수 있는 바운딩 박스 또는 설명을 생성할 수 있습니다. 제공된 튜토리얼 노트북에서 그 가능성을 살펴보세요.
• SAM2 (세그먼트 애니씽 모델 2): SAM2와 같이 세그멘테이션에 중점을 둔 파운데이션 모델은 객체를 높은 정밀도로 식별하고 구분할 수 있습니다. 주로 세그멘테이션에 사용되지만, 생성된 마스크는 객체 검출 작업에 적합한 바운딩 박스 어노테이션으로 변환할 수 있는 경우가 많습니다.
• YOLOWorld: 이 모델은 오픈 보캐뷸러리 검출 기능을 제공합니다. 관심 있는 객체에 대한 텍스트 설명을 입력하면 YOLOWorld가 해당 클래스에 대한 사전 학습 없이도 이미지에서 객체를 찾을 수 있습니다. 이를 초기 라벨 생성의 출발점으로 사용한 다음 라벨을 개선할 수 있습니다.

이러한 모델을 사용하면 수동 작업을 줄이는 "사전 라벨링" 단계를 도입할 수 있습니다. 그러나 자동 생성된 라벨은 정확성과 일관성을 보장하도록 반드시 검토하고 개선해야 합니다. 라벨 품질이 학습된 YOLOv5 모델의 성능에 직접적인 영향을 미치기 때문입니다. 라벨을 생성하고 필요에 따라 개선한 후에는 YOLO 형식을 준수하는지 확인합니다. 이미지당 *.txt 파일 하나를 사용하고, 각 행은 class_index x_center y_center width height 형식(정규화된 좌표 및 0부터 시작하는 클래스)을 나타냅니다. 이미지에 관심 객체가 없는 경우 해당 *.txt 파일은 필요하지 않습니다.

YOLO 형식 *.txt 파일 사양은 정확하게 정의되어 있습니다:

• 각 객체의 바운딩 박스마다 한 행을 사용합니다.
• 각 행에는 다음이 포함되어야 합니다: class_index x_center y_center width height.
• 좌표는 0에서 1 사이의 범위로 정규화해야 합니다. 이를 위해 x_center 및 width의 픽셀 값을 이미지의 전체 너비로 나누고, y_center 및 height은 이미지의 전체 높이로 나눕니다.
• 클래스 인덱스는 0부터 시작합니다(즉, 첫 번째 클래스는 0, 두 번째 클래스는 1로 표시하며 이후에도 같은 방식으로 이어집니다).

위 이미지에 해당하는 라벨 파일에는 'person' 객체 2개(클래스 인덱스 0)와 'tie' 객체 1개(클래스 인덱스 27)가 포함되며, 다음과 같은 형식입니다:

1.3 디렉터리 구성#

아래와 같이 데이터셋 디렉터리를 구성합니다. 기본적으로 YOLOv5는 데이터셋 디렉터리(예: /coco128)가 /yolov5 리포지토리 디렉터리와 인접한 /datasets 폴더 안에 있다고 예상합니다.

YOLOv5는 이미지 경로에서 /images/의 마지막 인스턴스를 /labels/로 대체하여 각 이미지의 라벨을 자동으로 찾습니다. 예를 들면 다음과 같습니다:

../datasets/coco128/images/im0.jpg # Path to the image file
../datasets/coco128/labels/im0.txt # Path to the corresponding label file

권장 디렉터리 구조는 다음과 같습니다:

/datasets/
└── coco128/  # Dataset root
    ├── images/
    │   ├── train2017/  # Training images
    │   │   ├── 000000000009.jpg
    │   │   └── ...
    │   └── val2017/    # Validation images (optional if using same set for train/val)
    │       └── ...
    └── labels/
        ├── train2017/  # Training labels
        │   ├── 000000000009.txt
        │   └── ...
        └── val2017/    # Validation labels (optional if using same set for train/val)
            └── ...

2. 모델 선택#

학습 프로세스를 시작하려면 사전 학습된 모델을 선택합니다. 사전 학습된 가중치로 시작하면 처음부터 학습하는 것보다 학습 속도가 크게 빨라지고 성능이 향상됩니다. YOLOv5는 속도와 정확도의 균형이 서로 다른 다양한 모델 크기를 제공합니다. 예를 들어 YOLOv5s는 두 번째로 작고 가장 빠른 모델로, 리소스가 제한된 환경에 적합합니다. 사용 가능한 모든 모델의 자세한 비교는 README 표를 참조하세요.

3. 학습#

train.py 스크립트를 사용하여 모델 학습을 시작합니다. 주요 인수는 다음과 같습니다:

• --img: 입력 이미지 크기를 정의합니다(예: --img 640). 크기가 클수록 일반적으로 정확도가 향상되지만 더 많은 GPU 메모리가 필요합니다.
• --batch: 배치 크기를 결정합니다(예: --batch 16). GPU가 처리할 수 있는 가장 큰 크기를 선택합니다.
• --epochs: 전체 학습 에포크 수를 지정합니다(예: --epochs 100). 하나의 에포크는 전체 학습 데이터셋을 한 번 모두 처리하는 것을 의미합니다.
• --data: dataset.yaml 파일의 경로입니다(예: --data coco128.yaml).
• --weights: 초기 가중치 파일의 경로입니다. 사전 학습된 가중치(예: --weights yolov5s.pt)를 사용하면 더 빠른 수렴과 우수한 결과를 얻을 수 있으므로 적극 권장합니다. 처음부터 학습하려면(매우 큰 데이터셋과 특별한 요구 사항이 없는 한 권장하지 않음) --weights '' --cfg yolov5s.yaml를 사용합니다.

사전 학습된 가중치를 로컬에서 찾을 수 없는 경우 최신 YOLOv5 릴리스에서 자동으로 다운로드됩니다.

# Example: Train YOLOv5s on the COCO128 dataset for 3 epochs
python train.py --img 640 --batch 16 --epochs 3 --data coco128.yaml --weights yolov5s.pt

가중치와 로그를 포함한 모든 학습 출력은 runs/train/ 디렉터리에 저장됩니다. 각 학습 세션에서는 새로운 하위 디렉터리(예: runs/train/exp, runs/train/exp2 등)가 생성됩니다. 대화형으로 직접 실습하려면 공식 튜토리얼 노트북의 학습 섹션을 살펴보십시오:

4. 시각화#

YOLOv5는 학습 진행 상황을 시각화하고, 결과를 평가하며, 성능을 실시간으로 모니터링하기 위한 다양한 도구와 원활하게 통합됩니다.

Comet 로깅 및 시각화#

Comet은 종합적인 실험 추적을 위해 완전히 통합되어 있습니다. 메트릭을 실시간으로 시각화하고, 하이퍼파라미터를 저장하며, 데이터셋과 모델 체크포인트를 관리하고, 대화형 Comet Custom Panels을 사용하여 모델 예측을 분석할 수 있습니다.

시작 방법은 간단합니다:

pip install comet_ml                                                          # 1. Install Comet library
export COMET_API_KEY=YOUR_API_KEY_HERE                                        # 2. Set your Comet API key (create a free account at Comet.ml)
python train.py --img 640 --epochs 3 --data coco128.yaml --weights yolov5s.pt # 3. Train your model - Comet automatically logs everything!

지원되는 기능에 대한 자세한 내용은 Comet 통합 가이드에서 확인하세요. Comet의 기능에 대한 자세한 내용은 공식 문서를 참조하세요. 실시간 데모는 Comet Colab Notebook에서 확인할 수 있습니다:

ClearML 로깅 및 자동화#

ClearML 통합을 사용하면 상세한 실험 추적, 데이터셋 버전 관리, 학습 실행의 원격 실행까지 가능합니다. 다음의 간단한 단계로 ClearML을 활성화합니다:

• 패키지 설치: pip install clearml
• ClearML 초기화: clearml-init을 한 번 실행하여 ClearML 서버(자체 호스팅 또는 무료 티어)에 연결합니다.

ClearML은 실험 세부 정보, 모델 업로드, 비교 결과, 커밋되지 않은 코드 변경 사항 및 설치된 패키지를 자동으로 수집하여 완전한 재현성을 보장합니다. 원격 에이전트에서 학습 작업을 쉽게 예약하고 ClearML Data를 사용하여 데이터셋 버전을 관리할 수 있습니다. 자세한 내용은 ClearML 통합 가이드를 참조하세요.

로컬 로깅#

학습 결과는 TensorBoard를 사용하여 자동으로 기록되고 CSV 파일로 특정 실험 디렉터리(예: runs/train/exp)에 저장됩니다. 기록되는 데이터에는 다음이 포함됩니다:

• 학습 및 검증 손실과 성능 메트릭입니다.
• 적용된 증강(예: 모자이크)을 보여주는 샘플 이미지입니다.
• 시각적 검사를 위한 정답 라벨과 모델 예측입니다.
• 정밀도-재현율(PR) 곡선과 같은 주요 평가 메트릭입니다.
• 클래스별 성능을 상세하게 분석하기 위한 혼동 행렬입니다.

results.csv 파일은 각 에포크 후 업데이트되며, 학습이 완료되면 results.png로 플롯됩니다. 제공된 유틸리티 함수를 사용하여 results.csv 파일을 수동으로 플롯할 수도 있습니다:

from utils.plots import plot_results

# Plot results from a specific training run directory
plot_results("runs/train/exp/results.csv")  # This will generate 'results.png' in the same directory

5. 다음 단계#

학습이 성공적으로 완료되면 최상의 성능을 보이는 모델 체크포인트(best.pt)가 저장되며 배포 또는 추가 개선에 사용할 수 있습니다. 가능한 다음 단계는 다음과 같습니다:

• 학습된 모델을 사용하여 CLI 또는 Python을 통해 새 이미지나 동영상에 대해 추론을 실행합니다.
• 검증을 수행하여 다양한 데이터 분할(예: 별도로 보류한 테스트 세트)에서 모델의 정확도와 일반화 성능을 평가합니다.
• 다양한 플랫폼에서 최적화된 추론을 수행할 수 있도록 모델을 ONNX, TensorFlow SavedModel 또는 TensorRT와 같은 다양한 배포 형식으로 내보냅니다.
• 하이퍼파라미터 튜닝 기법을 사용하여 추가적인 성능 향상을 얻을 수 있습니다.
• 최상의 학습 결과를 위한 팁을 따르고, 성능 분석을 바탕으로 더욱 다양하고 어려운 데이터를 반복적으로 추가하여 모델을 계속 개선합니다.

지원 환경#

Ultralytics는 CUDA, cuDNN, Python, PyTorch와 같은 필수 종속 항목이 포함된 즉시 사용 가능한 환경을 제공하여 원활하게 시작할 수 있도록 지원합니다.

• 무료 GPU 노트북:
  • 
  • 
  • 
• 클라우드 플랫폼:
  • Google Cloud: GCP 빠른 시작 가이드
  • Amazon AWS: AWS 빠른 시작 가이드
  • Microsoft Azure: AzureML 빠른 시작 가이드
• 로컬 설정:
  • Docker: Docker 빠른 시작 가이드

프로젝트 상태#

이 배지는 모든 YOLOv5 GitHub Actions 지속적 통합 (CI) 테스트가 성공적으로 통과했음을 나타냅니다. 이러한 엄격한 CI 테스트는 macOS, Windows, Ubuntu 운영 체제에서 학습, 검증, 추론, 내보내기, 벤치마크를 포함한 핵심 기능을 다룹니다. 테스트는 24시간마다 그리고 코드가 커밋될 때마다 자동으로 실행되어 일관된 안정성과 최적의 성능을 보장합니다.

FAQ#