데이터 만들기

어노테이션 툴

LabelStudio 인터페이스 예시

pip install -U label-studio

label-studio

LabelStudio 로그인 화면

LabelStudio 프로젝트 생성 시작 화면

LabelStudio 프로젝트 이름과 설명 입력 화면

LabelStudio 데이터 불러오기 화면

LabelStudio 레이블링 셋업에서 Object Detection with Bounding Boxes 선택

LabelStudio 레이블링 인터페이스 설정 화면

LabelStudio에서 경계 상자를 그리는 화면

LabelStudio 프로젝트 화면의 Export 버튼

LabelStudio Export data 화면에서 YOLO with Images 선택

train: images # train 데이터의 폴더
val: images # validation 데이터의 폴더(여기서는 임시로 똑같게)
nc: 1 # 클래스 개수
names: ['clip'] # 클래스 이름 (Label Studio에서 사용한 순서와 동일하게)

pip install ultralytics

!unzip detection-annotation.zip

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="data.yaml", epochs=100)

출력:
- 각 에폭(Epoch)마다 Loss 값 (객체 감지, 분류, 박스 회귀 등) 감소 확인.
- Precision, Recall, mAP@0.5, mAP@0.5:0.95 값 상승 확인.
결과 저장 폴더:
- runs/detect/train/ 폴더에 학습 결과 저장.
- weights/best.pt: 가장 좋은 성능을 낸 모델 가중치.
- results.csv: 에폭별 상세 성능 지표.
- results.png: 학습 Loss 및 mAP 그래프.
그래프 확인:
- results.png 파일을 열어 Loss가 안정적으로 감소하고 mAP가 증가하는지 확인.
- 과적합 징후 (Validation Loss 증가, Validation mAP 감소) 확인.

데이터셋:
- 데이터 부족: 더 많은 데이터를 수집하거나 증강
- 어노테이션 오류: 라벨링 정확성 재검토 (Label Studio에서 수정).
- 클래스 불균형: 소수 클래스 데이터 증강.
- 이미지 품질: 저해상도, 노이즈 문제 확인.
학습 파라미터:
- 에폭 수(epochs): 더 많은 에폭 학습 (과적합 주의).
- 학습률(lr): 너무 높거나 낮지 않은지 확인 (조절).
- 배치 크기(batch): GPU 메모리에 맞춰 최적화.
사전 학습된 모델: 모델 크기: 더 큰 YOLO 모델을 시도하거나 다른 사전 학습 모델 사용