비즈니스 목표부터 시작하기

한 페이지 분량의 목표#

이후의 모든 단계에 필요한 질문에 다섯 개 행으로 답합니다. 프로젝트 목표 정의 가이드에서 같은 내용을 더 자세히 다룹니다. 아래는 이 과정에서 계속 활용할 창고 사례입니다.

전체 팀이 볼 수 있는 곳에 이 페이지를 고정합니다. 나중에 이해관계자가 항목에 이의를 제기하면 데이터셋보다 먼저 페이지를 수정합니다.

질문에 답하는 가장 단순한 작업 선택하기#

작업에 따라 어노테이터가 그리는 대상이 결정되고, 이에 따라 라벨링 예산의 대부분이 결정됩니다. 다음 결정 트리를 따라가며 비즈니스 질문에 답하는 첫 번째 작업에서 멈춥니다.

Ultralytics YOLO는 7가지 작업을 지원합니다. 데이터셋 계획에서 중요한 점은 각 작업의 라벨링 비용입니다. Computer Vision Foundations에서는 비전 작업 강의에서 작업별 차이를 자세히 비교합니다.

바나나 패널을 가격표처럼 살펴보세요. 탐지는 이미 존재 여부, 위치, 개수를 알려 주며, 크기와 형태를 추가하는 것은 두 세그멘테이션 패널뿐이고 라벨링 비용은 훨씬 더 높습니다. 비즈니스에서 필요한 것이 "바나나가 몇 개 있는가"뿐이라면 탐지를 선택하면 됩니다. 폴리곤은 예산 낭비입니다.

어노테이터가 적용할 수 있는 클래스를 작성합니다#

두 어노테이터가 같은 객체에 같은 라벨을 붙일 때만 해당 클래스가 유용합니다. 각 클래스를 제외 대상인 유사 객체를 명시한 한 문장 정의로 작성하세요.

• forklift: 포크와 마스트를 포함하는 동력식 지게차입니다. 수동 팔레트 잭은 제외합니다.
• person: 일부만 보이거나, 앉아 있거나, 차량 운전석 안에 있는 경우를 포함한 모든 사람입니다. 반사된 모습과 포스터는 제외합니다.
• pallet: 적재 여부와 관계없이 목재 또는 플라스틱 배송용 팔레트입니다. 팔레트 받침 없이 쌓인 상자는 제외합니다.

그런 다음 세분화 수준을 의도적으로 선택하세요. 거친 클래스("차량")는 비용이 적게 들고 더 빠르게 수렴합니다. 세분화된 클래스("세단", "픽업트럭")는 후속 작업에 더 유용하지만 일관성을 유지하기가 더 어렵습니다. 비즈니스에 필요한 것부터 시작하세요. 세분화된 라벨은 나중에 코드 한 줄로 거친 라벨에 합칠 수 있지만, 거친 라벨은 다시 라벨링하지 않고는 세분화할 수 없습니다.

지표를 실행 가능한 승인 테스트로 만드세요#

실수로 발생하는 비용에 맞는 지표를 선택하세요.

• 놓치는 비용이 큽니다(안전, 결함): 해당 클래스의 재현율을 기준으로 승인 여부를 판단합니다.
• 오탐의 비용이 큽니다(부품 자동 거부, 직원 알림): 정밀도를 기준으로 승인 여부를 판단합니다.
• 모든 클래스가 똑같이 중요합니다(계수, 재고): 클래스별 AP를 기준으로 승인 여부를 판단해 평균값에 가려지는 클래스가 없도록 합니다.

YOLO 성능 지표 가이드에서 각 지표를 설명합니다. 그런 다음 테스트를 코드로 작성해 "충분히 좋은가요?"라는 질문이 논쟁거리가 되지 않도록 하세요. 이 스크립트는 오늘은 사전 학습된 모델과 COCO8 데모 세트로 실행할 수 있으며, 나중에는 자체 체크포인트와 홀드아웃 데이터로 실행할 수 있습니다.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # later: your fine-tuned runs/detect/train/weights/best.pt
metrics = model.val(data="coco8.yaml", classes=[0], verbose=False)  # 0 = person; later: your holdout YAML

precision, recall = metrics.box.mp, metrics.box.mr
print(f"person: precision={precision:.2f} recall={recall:.2f}")
print("PASS" if recall >= 0.95 and precision >= 0.85 else "FAIL: below the acceptance test")

                   all          4         10      0.939        0.8      0.848      0.387
person: precision=0.94 recall=0.80
FAIL: below the acceptance test

각 줄에서 확인할 수 있는 내용:

• classes=[0]은 person만 점수화하므로 다른 클래스가 결과를 높일 수 없습니다. 자체 안전 클래스 ID를 사용하세요.
• 검증기 출력 행에는 이미지 4장과 라벨이 지정된 사람 10명이 표시됩니다. mp과 mr은 정밀도와 재현율이며, 두 지표의 균형이 가장 좋은 신뢰도 임계값(최대 F1)에서 측정됩니다.
• 사전 학습된 COCO 모델은 사람 10명 중 8명을 찾아 재현율 0.80을 기록합니다. 정밀도는 높지만 안전 기준으로는 충분하지 않습니다. 이 FAIL은 테스트가 제 역할을 하고 있다는 뜻입니다. 이 과정에서 FAIL이 나오면 하이퍼파라미터가 아니라 데이터로 돌아갑니다.

v1에서 지원하지 않을 항목을 명시하세요#

완벽한 모델은 없으므로 허용 가능한 누락을 미리 명시하세요. 약속하지 않을 조건(짙은 안개, 완전한 암흑), 혼동을 허용할 유사 객체, v2로 미룰 롱테일 클래스 등을 정합니다. 이 항목은 목표를 달성한 모델이 문서에 없는 100% 기준으로 평가되는 일을 막고, 데이터 수집팀이 당장은 어디에 노력을 들이지 않아도 되는지 알려 줍니다.