데이터 추가 및 준비

데이터셋 만들기#

사이드바에서 Annotate을 열고 New Dataset을 클릭합니다. 대화상자에서 소스, 이름, 작업 유형, 선택적 라이선스, 얼굴 흐리게 처리 여부, 공개 범위를 지정합니다:

결정 원칙: 이 과정에서는 복사본을 업로드하세요. 클라우드 및 온프레미스 데이터셋은 픽셀 데이터를 플랫폼 외부에 보관하므로 스마트 주석, 클러스터링, 복제, 버전 스냅샷을 사용할 수 없습니다.

작업 유형에 따라 표시되는 도구와 모델이 결정됩니다. 플랫폼은 Ultralytics YOLO의 7가지 작업을 모두 지원합니다:

실습 예제: 업로드 전에 데이터셋 확인하기#

Platform은 최대 50 MB이며 짧은 변의 길이가 28 px 이상인 JPEG, PNG, WebP, BMP, TIFF, HEIC, AVIF, JP2, DNG, MPO 이미지를 지원하고 YOLO, COCO, LabelMe, Ultralytics 또는 Labelbox NDJSON, 시맨틱 PNG 마스크 레이블을 읽습니다. Pascal VOC XML은 감지되지만 가져오지는 않습니다. 이 스크립트는 로컬 YOLO 데이터셋이 해당 규칙을 따르는지 확인합니다. 여기서는 공개 의료용 알약 데이터셋을 사용합니다.

from collections import Counter
from pathlib import Path

from PIL import Image

from ultralytics.data.utils import check_det_dataset

ACCEPTED = {".jpg", ".jpeg", ".png", ".webp", ".bmp", ".tif", ".tiff", ".heic", ".avif", ".jp2", ".dng", ".mpo"}
data = check_det_dataset("medical-pills.yaml")  # your local dataset YAML
root = Path(data["path"])

problems = Counter()
for split in ("train", "val", "test"):
    if not data.get(split):
        continue
    files = [p for p in Path(data[split]).rglob("*") if p.is_file()]
    images = [p for p in files if p.suffix.lower() in ACCEPTED]
    labeled = 0
    for img in images:
        label = Path(str(img).replace("images", "labels")).with_suffix(".txt")
        labeled += label.exists() and label.stat().st_size > 0
        if min(Image.open(img).size) < 28:
            problems["under 28 px (rejected)"] += 1
        if img.stat().st_size > 50 * 1024**2:
            problems["over 50 MB (rejected)"] += 1
    problems["unsupported files (skipped)"] += len(files) - len(images)
    print(f"{split:<5} {len(images):>4} images, {labeled:>4} labeled, {len(images) - labeled:>3} background")
problems["Pascal VOC .xml labels (not imported)"] += len(list(root.rglob("*.xml")))
print("classes:", data["names"])
print("problems:", {k: v for k, v in problems.items() if v} or "none")

train   92 images,   92 labeled,   0 background
val     23 images,   23 labeled,   0 background
classes: {0: 'pill'}
problems: none

출력 내용:

• 분할별 개수. train/, val/, test/ 폴더에 있는 이미지는 업로드 시 해당 분할에 유지되므로, 이 수치가 Platform에 표시됩니다. val 행이 없다면 Platform에서 임의의 검증 분할을 만들어 줍니다(아래 주의 사항 참조).
• 배경 이미지(레이블 파일이 없는 이미지)는 적당한 수라면 괜찮습니다. 모델이 "아무것도 없음"이 어떤 모습인지 학습하는 데 도움이 됩니다. 수백 장에 달한다면 대개 레이블 내보내기에 실패한 것입니다.
• problems: none은 모든 이미지가 처리된다는 뜻입니다. 여기에 표시되는 개수만큼의 파일은 Errors 탭으로 이동하거나 아예 도착하지 않습니다.

데이터셋 폴더와 그 안의 data.yaml을 함께 압축한 다음, 아카이브를 갤러리로 끌어다 놓으세요. Platform은 형식을 자동으로 감지하고 동일한 이미지는 한 번만 저장합니다. 또한 업로드한 이미지가 데이터셋의 기존 이미지와 충돌하면 건너뛰기, 둘 다 유지, 바꾸기 중에서 선택하라는 메시지를 표시합니다.

실습 예제: Platform이 처리하기 전에 동영상 샘플링하기#

Platform은 각 동영상에서 초당 1프레임을 샘플링하고 최대 100프레임을 유지합니다. 100초보다 긴 클립은 간격을 넓힙니다.

빠르게 살펴보기에는 적합하지만 대부분의 실제 프로젝트에는 부족합니다. 30분 동안 촬영한 교대 근무 영상이 100프레임으로 줄어들고, 대부분은 텅 빈 통로일 것입니다. 긴 영상을 직접 샘플링하고 프레임을 업로드하세요.

균일하게 샘플링하려면 FFmpeg로 충분합니다.

mkdir -p frames
ffmpeg -i source.mp4 -vf fps=1 frames/%06d.jpg

이벤트 기반 샘플링을 하려면 사전 학습된 Ultralytics YOLO 모델을 사용하여 대상 객체가 포함된 프레임만 유지하세요.

from pathlib import Path

import cv2

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # or your latest fine-tune
out = Path("frames")
out.mkdir(exist_ok=True)

source = "https://github.com/ultralytics/assets/releases/download/v0.0.0/solutions_ci_demo.mp4"
seen = kept = 0
for i, result in enumerate(model.predict(source, stream=True, vid_stride=5, classes=[0], conf=0.5, verbose=False)):
    seen += 1
    if len(result.boxes):  # keep only frames where a person was detected
        cv2.imwrite(str(out / f"frame_{i:05d}.jpg"), result.orig_img)
        kept += 1
print(f"Kept {kept} of {seen} sampled frames")

Kept 12 of 12 sampled frames

vid_stride=5은 5프레임마다 확인하고, classes=[0]은 사람만 탐지하며, conf=0.5는 신뢰도가 낮은 예측을 무시합니다. 이 분주한 데모 클립에는 샘플링된 모든 프레임에 사람이 있습니다. 대부분 비어 있는 장면을 촬영한 영상에서는 유지되는 프레임의 비율이 급격히 낮아지고, 레이블링 비용도 줄어듭니다. 인접한 유지 프레임이 더 이상 비슷해 보이지 않을 때까지 vid_stride을 높이세요.

Platform의 처리 신호 읽기#

업로드 후 Platform은 검증, 정규화(4,096 px를 초과하는 이미지는 크기 조정), 썸네일 생성, 레이블 파싱, 통계 계산을 수행합니다. 다음 세 곳을 확인하세요.

• Errors 탭은 파일이 처리되지 않을 때만 표시됩니다. 손상된 파일, 지원되지 않는 형식, 28 px 미만의 이미지, CMYK 및 인덱스 색상 모드가 여기에 해당하며 각각 해결 방법이 안내됩니다. 해당 파일을 다시 내보내거나 업로드하세요.
• Charts 탭에는 분할 분포, 상위 클래스, 이미지 크기, 파일 크기, 어노테이션 위치, 박스 크기, 이미지당 객체 수가 표시됩니다. 거의 나타나지 않는 클래스, 지나치게 작은 이미지, 한쪽 구석에 몰린 박스가 있는지 살펴보세요.
• 데이터셋 헤더의 배지는 처리가 완료되고 데이터셋에 train 이미지 1개 이상, val 또는 test 이미지 1개 이상, 레이블이 지정된 이미지 1개 이상이 있으면 Ready으로 표시됩니다. Not Ready를 클릭하면 충족되지 않은 조건을 확인할 수 있습니다.

공개 데이터셋에서 시작하기#

아직 데이터가 없으신가요? 탐색 페이지에서 공식 데이터셋과 커뮤니티 데이터셋을 확인할 수 있습니다. 데이터셋 복제는 이미지, 어노테이션, 클래스를 작업 공간에 복사하며 저장 공간을 차지합니다. 기본적으로 원본의 공개 여부도 유지하므로, 민감한 데이터를 추가하려면 대화상자의 스위치를 전환하세요.

주의할 점#