증강을 신중하게 사용하기

증강의 기능#

데이터 증강은 학습 이미지를 실시간으로 변환하므로 모델은 에포크마다 이미지의 약간씩 다른 버전을 봅니다. 적절한 증강은 조명, 크기, 방향 변화에 대한 견고성을 높이고 과적합을 줄입니다. 이미지가 계속 달라지므로 모델이 이미지를 외울 수 없기 때문입니다. 잘못된 증강은 물리적으로 불가능한 장면을 학습시키고, 해결해야 할 데이터셋의 공백을 가릴 수 있습니다.

위의 색조 패널을 보세요. 빨간색 마코앵무새가 노란색으로 바뀝니다. "마코앵무새와 마코앵무새가 아닌 것"을 구분하는 데는 문제가 없지만, 색상이 두 클래스를 구분하는 기준이라면 성능에 악영향을 줍니다.

중요한 기본값#

다음은 Ultralytics 8.4의 기본값입니다. 모든 인수는 증강 설정 참조 문서에 나와 있습니다.

깊이 데이터셋은 예외입니다. mosaic, mixup, cutmix, copy_paste은 짝을 이루는 깊이 맵을 무효화하므로 깊이 데이터 로더가 해당 값을 자동으로 0으로 설정합니다.

배포 환경 검증#

활성화한 각 변환에 대해 두 가지 질문을 차례로 확인해야 합니다.

거꾸로 된 마코앵무새 이미지는 바로 아래를 보는 드론에는 훌륭한 학습 이미지지만, 벽에 고정된 카메라에는 쓸모가 없습니다. 이 테스트를 통과하지 못하는 변환은 부정적인 학습 신호를 생성합니다. 모델은 실제로 보게 될 이미지를 학습할 능력을 희생하면서 절대 보지 않을 이미지를 인식하도록 학습합니다.

프로필 적용 예시#

컨베이어 위의 하향식 카메라가 색상만 다른 클래스로 구분되는 부품을 분류합니다. 색조 지터는 제외해야 하지만 수직 뒤집기와 작은 회전은 현실적인 변환이 됩니다. 아래와 같이 COCO8 데모 세트에서 실행하며, 실제 데이터 YAML과 에포크 수를 지정해 사용합니다:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="coco8.yaml",
    epochs=1,
    imgsz=320,
    hsv_h=0.0,  # 색상은 클래스 신호입니다. 색조를 실제와 같게 유지하세요
    flipud=0.5,  # 하향식 시점: 프레임에 "위쪽"이 없습니다
    degrees=10.0,  # 부품은 어느 작은 각도로든 놓입니다
)

실행 폴더에서 train_batch0.jpg을 열고 세 가지를 확인합니다. 변환 후에도 박스가 객체에 딱 맞는지, 클래스를 구분하는 단서(색상, 모양, 텍스트)가 유지되는지, 물리적으로 불가능한 결과가 없는지 확인합니다. 하나라도 문제가 생기는 변환은 강도를 낮춥니다. 첫 모델 학습하기에서 학습 실행 자체를 다룹니다.

Mosaic 및 close_mosaic#

Mosaic은 네 장의 이미지를 하나로 이어 붙이며 기본적으로 활성화되어 있습니다. 객체 탐지에서 가장 효과가 큰 증강입니다. 각 학습 이미지에 여러 장면, 크기, 객체 맥락이 담깁니다. 단점은 Mosaic 이미지가 배포 시의 프레임과 다르게 보인다는 점입니다. 따라서 close_mosaic=10은 마지막 10개 에포크에서 Mosaic을 끄고, 모델은 현실적인 입력으로 학습을 마칩니다. Mosaic을 종료하면 mixup, cutmix, copy_paste도 비활성화되지만, 뒤집기, HSV 및 기하학적 변환은 계속 적용됩니다.

증강으로 해결할 수 없는 문제#

증강은 기존 데이터의 효과를 배가합니다. 데이터셋에 야간 이미지가 없다면 어떤 설정으로도 야간 장면을 만들 수 없습니다. 낮 장면을 더 밝거나 어둡게 만들 뿐입니다. 강한 증강을 적용해야만 특정 클래스가 제대로 작동한다면 해당 클래스의 데이터가 충분하지 않은 것입니다. 고품질의 대표성 있는 데이터 수집하기로 돌아가세요.