고성능 YOLO 데이터셋 구축
학습 전 작업을 위한 실습 중심 가이드입니다. 비즈니스 목표를 승인 테스트로 전환하고, 대표성 있는 데이터를 명세화하고 수집하며, 일관되게 라벨링하고, 스크립트로 품질을 감사하며, 데이터 누출 없이 분할하고, 증강을 조정한 뒤, 준비 상태 점검을 통과해야 첫 Ultralytics YOLO26 파인튜닝을 진행할 수 있습니다.
작성자 Ultralytics Academy
비즈니스 목표를 문서화되고 균형 잡힌, 데이터 누출이 없는 데이터셋으로 전환하여 Ultralytics YOLO26을 파인튜닝할 준비를 완료하고, 아직 준비되지 않았다면 정확히 무엇을 수정해야 하는지 파악합니다.
비즈니스 목표를 비전 작업, 정의된 클래스, 코드로 실행할 수 있는 승인 테스트로 전환합니다.
시나리오별 할당량을 포함한 데이터셋 명세서를 작성하고 Ultralytics의 목표에 맞게 규모를 설정합니다. 클래스당 이미지 ≥1,500개 및 라벨링된 인스턴스 ≥10,000개, 배경 이미지 0~10%를 기준으로 합니다.
실제 배포 환경에서 데이터를 수집하고, 캡처 메타데이터를 파일 이름에 포함하며, 데이터셋이 과도하게 커지지 않도록 동영상을 샘플링합니다.
작성된 가이드와 측정 가능한 보정 과정에 따라 일관되게 라벨링하고, 가장 흔한 어노테이션 실수 10가지를 염두에 둡니다.
짧은 Python 스크립트로 라벨, 클래스 균형, 중복 항목, 누락 가능성이 있는 라벨을 감사합니다.
그룹(클립, 카메라, 날짜, 사이트)을 기준으로 분할하여 검증 점수가 실제 운영 환경을 반영하도록 하고, 테스트 세트를 고정합니다.
배포 환경에 맞는 증강 설정을 선택하고 학습 배치에서 이를 검증합니다.
8개 항목의 준비 상태 점검을 학습 진행 조건으로 삼고, 베이스라인 파인튜닝 결과를 다음 데이터셋 수정 작업에 반영합니다.
한 페이지 분량의 목표와 PASS 또는 FAIL을 출력하는 승인 테스트 스크립트.
시나리오별 할당량, 엣지 케이스, 배경 데이터 비율을 포함한 데이터셋 명세서.
모든 파일 이름에 캡처 메타데이터를 포함하고 할당량 대비 커버리지 보고서를 제공하는 실습용 데이터셋.
측정된 일치도 점수를 바탕으로 보정 과정을 거쳐 개선한 라벨링 가이드.
간단한 QC 메모가 포함된 QC 감사 및 의심 라벨 검토.
분할 간에 클립, 카메라 또는 날짜가 공유되지 않도록 그룹화한 train / val / test 파일 목록.
점수가 매겨진 준비 상태 점검, 클래스별 순위를 매긴 첫 파인튜닝 결과, 재사용 가능한 킥오프 체크리스트.
머신러닝 배경지식은 필요하지 않습니다. 각 개념을 사용하기 전에 설명합니다.
스크립트 실행에는
pip install ultralytics이 포함된 Python 3.10+가 필요하며, 모든 예제는 CPU만으로 충분히 실행할 수 있습니다.권장 사항: 핵심 용어를 익히려면 Computer Vision Foundations를 참고하세요.
강좌 콘텐츠
모듈 5개 · 레슨 10개모듈 1
모듈 3
모듈 4
모듈 5
데이터셋이 준비되었는지 확인하기
8가지 통과/실패 검사로 첫 학습 실행을 결정하고, 스크립트로 검증할 수 있는 3가지를 자동화하며, 각 실패에 필요한 해결 방법을 파악합니다.
첫 번째 미세 조정과 반복 개선 루프
기본 설정으로 사전 학습된 YOLO26 가중치를 미세 조정하고, 누락 및 혼동 건수를 바탕으로 클래스별 AP 순위를 매긴 다음, 성능이 가장 낮은 클래스를 다음 데이터셋 수정 작업으로 전환합니다.
엔터프라이즈 고객 체크리스트
수집 전에 모든 데이터셋 관련 결정을 기록하고 재학습을 단계별로 승인하는, 고객용 한 페이지 킥오프 체크리스트입니다.