실험 추적을 사용하여 모델 성능을 개선하기 위해 DVC 통합을 통해 Ultralytics YOLO11 실험을 간소화하는 방법을 알아보세요.
.webp)
기계가 시각 데이터를 해석하고 이해하도록 훈련되는 컴퓨터 비전 실험을 추적하고 모니터링하는 것은 다음과 같은 비전 AI 모델을 개발하고 미세 조정하는 데 있어 매우 중요한 부분입니다. Ultralytics YOLO11. 이러한 실험에는 종종 다양한 주요 매개 변수를 테스트하고 여러 모델 학습 실행의 메트릭과 결과를 기록하는 작업이 포함됩니다. 이렇게 하면 모델 성능을 분석하고 데이터에 기반하여 모델을 개선하는 데 도움이 될 수 있습니다.
잘 정의된 실험 추적 시스템이 없으면 결과를 비교하고 모델을 변경하는 작업이 복잡해지고 오류가 발생할 수 있습니다. 실제로 이 프로세스를 자동화하는 것은 일관성을 높일 수 있는 훌륭한 옵션입니다.
이것이 바로 Ultralytics 지원하는 DVCLive 통합의 목표입니다. DVCLive는 단일 워크플로 내에서 실험 세부 정보를 자동으로 기록하고, 결과를 시각화하며, 모델 성능 추적을 관리할 수 있는 간소화된 방법을 제공합니다.
이 글에서는 Ultralytics YOLO11 훈련하는 동안 DVCLive 통합을 사용하는 방법에 대해 설명합니다. 또한 이 통합의 장점과 더 나은 비전 AI 모델 개발을 위해 실험 추적을 더 쉽게 만드는 방법도 살펴봅니다.
DVC(데이터 버전 제어)에서 만든 DVCLive는 머신 러닝 실험을 추적하기 위해 설계된 신뢰할 수 있는 오픈 소스 도구입니다. DVCLive Python 라이브러리는 AI 개발자와 연구자가 실험의 메트릭과 매개변수를 추적할 수 있는 실시간 실험 로거를 제공합니다.
예를 들어, 주요 모델 성능 메트릭을 자동으로 기록하고, 여러 훈련 실행에서 결과를 비교하고, 모델 성능을 시각화할 수 있습니다. 이러한 기능을 통해 DVCLive는 체계적이고 재현 가능한 머신러닝 워크플로우를 유지할 수 있도록 지원합니다.
DVCLive 통합은 사용하기 쉬우며 명확하고 이해하기 쉬운 데이터 시각화 및 분석 도구를 제공하여 컴퓨터 비전 프로젝트를 개선할 수 있습니다. 다음은 DVCLive의 다른 주요 기능입니다:
Ultralytics 설명서를 살펴보고 사용 가능한 통합 기능을 살펴보면서 다음과 같은 질문을 하게 될 것입니다: DVCLive 통합의 차별점은 무엇이며, 내 워크플로우에 이 통합을 선택해야 하는 이유는 무엇인가요?
메트릭을 추적하고 결과를 시각화하는 도구도 제공하는 TensorBoard 및 MLflow와 같은 통합의 경우, 이러한 통합을 돋보이게 하는 고유한 특성을 이해하는 것이 필수적입니다.
DVCLive가 Ultralytics YOLO 프로젝트에 이상적인 선택이 될 수 있는 이유는 다음과 같습니다:
DVCLive로 Ultralytics YOLO11 모델 트레이닝을 추적하는 것은 생각보다 간단합니다. 필요한 라이브러리를 설치하고 구성하면 YOLO11 모델에 대한 사용자 지정 훈련을 빠르게 시작할 수 있습니다.
훈련 후에는 에포크(모델이 전체 데이터 세트를 통과하는 횟수), 인내심(개선이 없을 경우 중단하기 전까지 기다리는 시간), 목표 이미지 크기(훈련에 사용되는 이미지의 해상도) 등의 주요 설정을 조정하여 정확도를 향상시킬 수 있습니다. 그런 다음 DVCLive의 시각화 도구를 사용하여 다양한 버전의 모델을 비교하고 성능을 분석할 수 있습니다.
모델 훈련 프로세스 및 모범 사례에 대한 자세한 내용은 사용자 지정 훈련 Ultralytics YOLO 모델 설명서를 참조하세요.
다음으로, YOLO11 사용자 지정 교육하면서 DVCLive 통합 기능을 설치하고 사용하는 방법을 살펴보겠습니다.
YOLO11 교육을 시작하기 전에 먼저 Ultralytics Python 패키지와 DVCLive를 모두 설치해야 합니다. 이 통합은 두 라이브러리가 기본적으로 원활하게 함께 작동하도록 설계되었으므로 복잡한 구성에 대해 걱정할 필요가 없습니다.
아래 이미지와 같이 Python 라이브러리 설치를 위한 패키지 관리 도구인 Pip 명령 한 번으로 전체 설치 프로세스를 단 몇 분 만에 완료할 수 있습니다.
패키지를 설치한 후에는 환경을 설정하고 필요한 자격 증명을 추가하여 DVCLive가 원활하게 실행되도록 할 수 있습니다. Git 리포지토리를 설정하면 코드와 DVCLive 설정의 변경 사항을 추적하는 데에도 도움이 됩니다.
자세한 단계별 지침과 기타 유용한 팁은 설치 가이드를 참조하세요. 필수 패키지를 설치하는 동안 문제가 발생하는 경우 일반적인 문제 가이드에서 해결 방법과 리소스를 확인할 수 있습니다.
YOLO11 모델 트레이닝 세션이 완료되면 시각화 도구를 사용하여 결과를 심층적으로 분석할 수 있습니다. 특히, DVC의 API를 사용하여 데이터를 추출하고 판다(데이터를 분석 및 비교를 위해 테이블로 정리하는 등 데이터 작업을 더 쉽게 할 수 있는 Python 라이브러리)로 데이터를 처리하여 더 쉽게 처리하고 시각화할 수 있습니다.
보다 대화형적이고 시각적인 방법으로 결과를 탐색하려면 Plotly의 평행 좌표 플롯(다양한 모델 매개변수와 성능 결과가 어떻게 연결되어 있는지 보여주는 일종의 차트)을 사용해 볼 수도 있습니다.
궁극적으로 이러한 시각화에서 얻은 인사이트를 사용하여 모델 최적화, 하이퍼파라미터 조정 또는 전반적인 성능 향상을 위한 기타 수정에 대한 더 나은 의사 결정을 내릴 수 있습니다.
이제 DVCLive 통합을 사용하여 YOLO11 교육 결과를 설치하고 시각화하는 방법을 배웠으니, 이 통합을 통해 개선할 수 있는 몇 가지 애플리케이션을 살펴보겠습니다.
농업과 식량용 작물 수확에 있어 정밀도는 큰 차이를 만들 수 있습니다. 예를 들어, 농부들은 YOLO11 개체 감지 및 인스턴스 세분화 지원을 사용하여 잠재적인 작물 질병을 식별하고 가축을 추적하며 해충의 침입을 감지할 수 있습니다.
특히 YOLO11 드론이나 카메라의 이미지를 분석하여 식물 질병, 해충 또는 건강에 해로운 동물의 조기 징후를 포착하는 데 도움을 줄 수 있습니다. 이러한 유형의 비전 AI 시스템을 통해 농부들은 문제가 확산되는 것을 막기 위해 신속하게 대처할 수 있어 시간을 절약하고 손실을 줄일 수 있습니다.
날씨와 계절에 따라 농장 조건이 끊임없이 변하기 때문에 다양한 이미지에서 모델을 테스트하여 다양한 상황에서 잘 작동하는지 확인하는 것이 중요합니다. 특히 다양한 데이터 세트를 사용하여 농업용 YOLO11 맞춤 학습하는 데 DVCLive 통합 기능을 사용하면 성능을 추적할 수 있습니다.
소매점은 AI와 컴퓨터 비전을 사용하여 고객 행동을 이해하고 쇼핑 경험을 개선할 수 있습니다.
YOLO11 보안 카메라의 비디오를 분석하여 사람들이 매장 내에서 어떻게 움직이는지, 어느 구역에 가장 많은 유동인구가 있는지, 쇼핑객이 제품과 어떻게 상호작용하는지 추적할 수 있습니다. 그런 다음 이 데이터를 사용하여 히트맵을 만들어 어떤 진열대가 가장 많은 관심을 끄는지, 고객이 다른 통로에서 얼마나 오래 머무는지, 광고 디스플레이가 눈에 띄는지 등을 보여줄 수 있습니다.
이 비즈니스 인텔리전스를 통해 매장 소유자는 제품을 재배치하여 매출을 늘리고, 계산대 대기 시간을 단축하고, 고객이 가장 필요로 하는 시간과 장소에서 고객을 지원할 수 있도록 인력을 조정할 수 있습니다.
소매점에는 다양한 조명 조건, 레이아웃, 군중 규모 등 고유한 특성이 있는 경우가 많습니다. 이러한 차이로 인해 매장 활동을 분석하는 데 사용되는 컴퓨터 비전 모델은 정확성을 보장하기 위해 각 위치에 대해 신중하게 테스트하고 조정해야 합니다. 예를 들어, DVCLive 통합을 통해 YOLO11 미세 조정하여 리테일 애플리케이션에 더 정확하고 신뢰할 수 있게 만들고 고객 행동과 매장 운영에 대한 더 나은 인사이트를 확보할 수 있습니다.
DVCLive 통합을 사용하면서 YOLO11 맞춤 학습하면 컴퓨터 비전 실험을 더 쉽게 추적하고 개선할 수 있습니다. 중요한 세부 사항을 자동으로 기록하고, 명확한 시각적 결과를 보여주며, 다양한 버전의 모델을 비교할 수 있도록 도와줍니다.
농장의 생산성을 높이거나 매장의 쇼핑 경험을 개선하려는 경우, 이 통합을 통해 Vision AI 모델이 우수한 성능을 발휘하도록 보장할 수 있습니다. 실험 추적을 통해 모델을 체계적으로 테스트, 개선 및 최적화하여 정확도와 성능을 지속적으로 개선할 수 있습니다.
커뮤니티에 가입하고 GitHub 리포지토리를 살펴보고 Vision AI에 대해 자세히 알아보고 라이선스 옵션을 확인하여 컴퓨터 비전 프로젝트를 시작하세요. 제조 분야의 AI 또는 자율 주행 분야의 컴퓨터 비전과 같은 혁신에 관심이 있으신가요? 솔루션 페이지를 방문하여 자세히 알아보세요.
