특정 작업에 맞게 Ultralytics YOLO 같은 머신 러닝 모델을 미세 조정하세요. 여기에서 방법, 적용 사례 및 모범 사례를 알아보세요!
미세 조정은 대규모 데이터 세트(사전 학습된 모델)에서 이미 학습된 모델을 가지고 특정 작업과 관련된 소규모의 특정 데이터 세트에서 추가로 학습시키는 머신 러닝(ML) 의 인기 있는 기법입니다. 이 접근 방식은 초기 훈련 과정에서 모델이 학습한 일반적인 지식을 활용하여 모델을 처음부터 다시 훈련할 필요 없이 보다 전문화된 영역에서 탁월한 능력을 발휘하도록 조정하므로 상당한 시간과 컴퓨팅 리소스를 절약할 수 있습니다. 이는 컴퓨터 비전(CV) 및 자연어 처리(NLP)와 같은 분야에서 흔히 사용되는 방식입니다.
이 프로세스는 일반적으로 다음과 같이 사전 학습된 모델을 선택하는 것으로 시작됩니다. Ultralytics YOLO 모델과 같이 광범위한 데이터 세트에서 학습된 모델을 선택하는 것으로 시작됩니다. 이러한 모델은 이미 초기 학습 데이터에서 일반적인 특징을 인식하는 방법을 학습했습니다. 미세 조정 중에 모델 가중치는 새롭고 더 작은 데이터 집합을 기반으로 조정됩니다. 종종 네트워크의 초기 레이어(일반적인 특징을 학습하는 레이어)는 "고정"(가중치가 업데이트되지 않음)된 상태로 유지되는 반면, 나중에 작업별 레이어는 재학습됩니다. 이러한 재학습은 일반적으로 원래 학습에 사용된 것보다 낮은 학습 속도를 사용하여 가중치를 더 작게 조정하여 이전에 학습한 지식을 유지하면서 새로운 작업의 뉘앙스에 적응하는 방식으로 이루어집니다.
미세 조정을 유사한 ML 개념과 구별하는 것이 중요합니다:
미세 조정은 몇 가지 이점을 제공합니다:
미세 조정은 다양한 도메인에서 널리 사용됩니다:
Ultralytics YOLO 모델 미세 조정을 위한 강력한 지원을 제공합니다. 사용자는 사전 훈련된 가중치(예: ImageNet 또는 COCO에서 훈련된 모델)를 쉽게 로드하고 탐지, 세분화 또는 분류와 같은 작업을 위해 자체 데이터 세트에 대한 훈련을 계속할 수 있습니다. Ultralytics 설명서는 훈련 프로세스에 대한 자세한 가이드를 제공하여 사용자가 다음과 같은 최신 모델을 적용할 수 있도록 지원합니다. YOLO11 와 같은 최신 모델을 특정 컴퓨터 비전 과제에 맞게 조정할 수 있습니다. 이러한 적응성은 농업용 AI부터 로봇 공학에 이르기까지 다양한 애플리케이션에서 최적의 성능을 달성하는 데 핵심적인 역할을 합니다. 전이 학습 기법에 대한 자세한 내용은 Coursera와 같은 교육 플랫폼에서 확인할 수 있습니다.