특정 작업에 맞게 Ultralytics YOLO와 같은 머신 러닝 모델을 미세 조정하세요. 여기에서 방법, 적용 사례 및 모범 사례를 알아보세요!
미세 조정은 대규모의 일반 데이터 세트에서 사전 학습된 모델을 소규모의 전문 데이터 세트에서 추가로 학습시키는 머신 러닝(ML) 의 핵심 기술입니다. 전이 학습의 한 형태인 이 프로세스는 모델을 처음부터 학습시키지 않고도 특정 작업을 잘 수행할 수 있도록 모델의 학습된 지식을 조정합니다. 강력한 기초 모델로 시작하면 개발자는 훨씬 적은 데이터와 컴퓨팅 리소스로 높은 성능을 달성할 수 있으며, 이는 스탠포드 AI 연구소와 같은 기관에서 연구하는 개념입니다.
이 프로세스는 이미지넷과 같은 광범위한 데이터 세트에서 이미 가중치가 최적화되어 있는 모델(예: 비전용 이미지넷 또는 대규모 언어 모델(LLM)용 대규모 텍스트 코퍼스)로 시작됩니다. 이 사전 학습된 모델은 이미지의 가장자리와 텍스처 또는 텍스트의 문법과 의미와 같은 일반적인 특징을 이미 이해하고 있습니다. 그런 다음 미세 조정을 통해 대상 애플리케이션에 맞는 사용자 지정 데이터 세트에서 일반적으로 더 낮은 학습 속도를 사용하여 학습 프로세스를 계속 진행합니다. 이렇게 하면 모델의 매개변수가 새로운 작업의 특정 뉘앙스에 특화되도록 조정됩니다. PyTorch 및 TensorFlow와 같은 프레임워크는 미세 조정 워크플로우를 구현하기 위한 광범위한 도구를 제공합니다.
미세 조정은 컴퓨터 비전(CV) 과 자연어 처리(NLP) 전반에 걸쳐 널리 사용됩니다.
미세 조정은 다른 모델 적응 기법과 차별화하는 것이 중요합니다:
Ultralytics는 맞춤형 애플리케이션을 위해 최첨단 YOLO 모델을 미세 조정하는 프로세스를 간소화합니다. 사용자는 사전 학습된 가중치를 쉽게 로드하고 이미지 분류, 감지 또는 세분화와 같은 작업을 위해 자체 데이터 세트에 대한 학습을 시작할 수 있습니다. Ultralytics HUB 플랫폼은 이 워크플로를 더욱 간소화하여 데이터 세트, 훈련 모델, 최종 배포를 관리할 수 있는 통합 솔루션을 제공합니다. 최상의 성능을 얻기 위해 미세 조정은 종종 신중한 하이퍼파라미터 조정과 결합됩니다.