첫 번째 모델 학습하기

예제: 알약 감지 모델 학습#

Ultralytics Platform의 새 모델 학습 대화상자에서는 아래 코드와 같은 항목, 즉 기본 모델, 데이터셋, 에포크, 이미지 크기를 선택할 수 있습니다. 선택한 설정은 클라우드 GPU에서 실행하거나 이에 맞는 로컬 명령을 생성할 수 있습니다. 이 설정은 노트북 CPU에서 약 1분이면 완료됩니다:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # COCO로 사전 학습됨
results = model.train(data="my_dataset/data.yaml", epochs=10, imgsz=320, name="pills_v1")
print(results.save_dir)

CLI와 Python은 동일합니다. epochs=10와 imgsz=320을 설정하면 CPU 실행 시간을 줄일 수 있습니다. GPU에서는 두 값을 모두 제거하고 기본값(epochs=100, imgsz=640)을 사용하세요. 에포크와 픽셀 수가 많을수록 거의 항상 성능이 향상되기 때문입니다. 학습 모드는 이 반복 작업을 대신 실행합니다:

로그를 한 줄씩 읽기#

실제 출력에서 처음과 마지막 두 에포크만 남긴 결과입니다:

optimizer: AdamW(lr=0.002, momentum=0.9) with parameter groups ...
Using 92 train, 23 val images for fraction=1.0 at imgsz=320
      Epoch    GPU_mem   box_loss   cls_loss    l1_loss  Instances       Size
       1/10         0G      1.818      3.899   0.008805        206        320: 100% 6/6 3.3s
                   all         23        399      0.957      0.805      0.927      0.548
       2/10         0G      1.434      3.291   0.006285        208        320: 100% 6/6 4.4s
                   all         23        399      0.953      0.911      0.964      0.592
       ...
       9/10         0G      1.121      1.103   0.005143        194        320: 100% 6/6 5.0s
                   all         23        399      0.949      0.957      0.975      0.656
      10/10         0G      1.174      1.125   0.005068        212        320: 100% 6/6 5.1s
                   all         23        399       0.97      0.957      0.977      0.659
10 epochs completed in 0.015 hours.

• optimizer: AdamW(lr=0.002 ...): 기본 optimizer=auto이 최적화 프로그램과 학습률을 자동으로 선택했습니다.
• Using 92 train, 23 val images: 데이터셋과 일치하는지 확인하세요. 숫자가 더 작으면 건너뛴 이미지가 있다는 뜻입니다.
• GPU_mem 0G: CPU에서 학습 중입니다. GPU에서는 여기에 메모리 사용량이 표시됩니다. GPU가 있는 컴퓨터에서 0G이 표시되면 GPU를 사용하고 있지 않은 것입니다.
• 각 에포크의 첫 번째 행: 학습 분할의 세 가지 손실과 마지막 배치에 포함된 레이블 객체 수(Instances), 이미지 크기가 표시됩니다.
• 각 에포크의 all 행: 검증 분할의 정밀도, 재현율, mAP50, mAP50-95가 표시됩니다. 주의 깊게 살펴봐야 하는 행입니다.

이 경우 mAP50-95는 기준값 0.0002에서 한 에포크 후 0.548, 10 에포크 후 0.659로 상승했습니다. 4번째 에포크에서 정밀도가 0.80으로 떨어졌다가 회복했습니다. 검증 이미지가 23개뿐이라 단일 에포크의 결과는 변동이 큽니다. 한 행이 아니라 추세를 기준으로 판단하세요. 실행 중 적용할 판단 기준:

• 손실이 감소하고 mAP가 상승합니다: 계속 실행하세요.
• 첫 번째 에포크부터 손실이 변하지 않습니다: Ctrl+C로 중지하고 레이블과 YAML을 확인하세요.
• 정밀도가 재현율보다 훨씬 높습니다: 모델이 지나치게 신중해 객체를 놓칩니다. 재현율이 정밀도보다 훨씬 높습니다: 실제로 없는 대상을 감지합니다.
• 여러 에포크 동안 mAP가 그대로입니다: 에포크를 늘려도 도움이 되지 않습니다. 데이터나 imgsz을 변경하세요.

세 가지 손실은 YOLO26 손실 함수의 구성 요소입니다. 성능 지표 가이드에서 각 지표를 자세히 설명합니다.

실행 결과물 확인하기#

모든 결과물은 runs/detect/pills_v1/에 저장됩니다:

다른 항목을 확인하기 전에 train_batch0.jpg을 여세요. 박스가 객체에 맞지 않으면 레이블이 잘못된 것이며, 에포크를 아무리 늘려도 해결되지 않습니다.

먼저 변경할 인수#

model.train(data="my_dataset/data.yaml", epochs=200, imgsz=1024, batch=-1, patience=20, name="pills_v1_1024")

patience의 기본값 100을 사용하면 100에포크 실행은 조기 종료되지 않습니다. 값을 더 낮게 설정하면 위 곡선이 나타내는 대로 학습이 정체된 실행을 종료합니다. 어느 경우든 best.pt은 유지됩니다.

여러 GPU를 사용하는 경우 device=[0, 1, 2, 3]과 같은 목록을 전달하세요. Ultralytics가 분산 데이터 병렬(DDP) 학습을 시작하며, batch은 GPU 전체의 총합입니다. 기본적으로 학습에는 혼합 정밀도가 사용됩니다(amp=True). 노트북에서 실행하기 어려워지면 Ultralytics Platform의 클라우드 GPU에서 동일한 데이터셋과 인수를 실행할 수 있습니다. 자세한 내용은 실행 학습, 확인 및 파인튜닝을 참고하세요.

이런 실수는 피하세요#

나머지 인수는 모델 학습 팁 가이드에서, 하이퍼파라미터 튜닝 가이드에서는 학습률 탐색과 유전 알고리즘 튜너를 확인할 수 있습니다. 파인튜닝 가이드에서는 레이어 고정 방법을 다룹니다.