딥러닝을 활용한 객체 감지, 세그멘테이션, 분류, 포즈(키포인트) 추출, 오리엔티드 바운딩 박스(방향을 고려한 감지) 등의 연구가 활발히 이루어지고 있습니다. 그 중 YOLOv8과 11은 YOLO(You Only Look Once) 모델을 개발 및 유지보수하는 AI 연구 기업인 Ultralytics가 2023, 2024년에 개발 및 배포한 모델입니다. Ultralytics는 2020년에 PyTorch 기반 YOLOv5를 배포했으며, YOLOv8은 그 후속 버전으로서 높은 사용성을 인정받아 다양한 분야에서 활용되고 있고, 2024년 발표한 YOLOv11은 더욱 개선된 정확도와 효율성을 보여줍니다. 본 포스팅에서는 YOLOv11을 신속하게 사용할 수 있는 방법을 설명합니다.

환경 구축

YOLOv11 작업을 위한 아나콘다 가상 환경 등을 만든 후 터미널에서 아래 명령어를 통해 ultralytics 패키지를 설치합니다.

pip install ultralytics

데이터 준비

디렉션 구성

datasets 디렉션을 생성한 후, 하위 디렉션으로 images, labels을 각각 생성합니다.

$tree
datasets
 └──images
     └──example_01.jpg
     └──example_02.jpg
 └──labels
     └──example_01.txt
     └──example_02.txt

[주의] 학습데이터의 이미지명과 라벨명은 반드시 동일해야 합니다. (확장자 제외)

train/val 분할

train/val 데이터 분할 방법은 txt파일 분할, 폴더 분할 2가 있으나, 주로 txt 파일 분할 방식을 사용합니다.

$tree
datasets
 └──images
     └──example_01.jpg
     └──example_02.jpg
     └──example_03.jpg
     └──example_04.jpg
     └──example_05.jpg
     └──example_06.jpg
 └──labels
     └──example_01.txt
     └──example_02.txt
     └──example_03.txt
     └──example_04.txt
     └──example_05.txt
     └──example_06.txt
 └──train.txt
 └──val.txt

txt파일 분할 방식은 위 코드와 같이 train.txt와 val.txt 파일을 생성하여 분할해줄 수 있으며, train.txt와 val.txt 파일에는 아래와 같이 해당 이미지의 경로를 작성합니다. 경로는 상대 경로와 절대 경로 모두 사용이 가능하지만, 학습 실행 위치와 데이터 폴더가 다른 경우 절대 경로를 사용하는 것이 더 효율적입니다.

[참고] train.txt와 val.txt파일은 활용의 편의를 위해 datasets아래 위치하였을 뿐 반드시 위치해야 하는 것은 아닙니다.

$ cat dataset/train.txt
/home/{user}/{project_name}/datasets/images/example_01.jpg
/home/{user}/{project_name}/datasets/images/example_02.jpg
/home/{user}/{project_name}/datasets/images/example_03.jpg
/home/{user}/{project_name}/datasets/images/example_04.jpg

$ cat dataset/val.txt 
/home/{user}/{project_name}/datasets/images/example_05.jpg
/home/{user}/{project_name}/datasets/images/example_06.jpg

학습 데이터 환경설정(data.yaml)

데이터셋 정보는 data.yaml 파일을 생성하고, 데이터셋의 경로, 클래스 수, 클래스 이름 등으로 정의하며, 아래 예시를 참고하여 데이터 경로와 class 정보를 입력합니다. 감지, 세그멘테이션, 포즈(키포인트) 추출의 예시는 아래와 같습니다.

감지, 세그멘테이션

$ cat data.yaml
train: /home/{user}/{project_name}/datasets/train.txt
val: /home/{user}/{project_name}/datasets/val.txt
test: #optional

nc: 2 #number of classes
names: ['class1', 'class2']

포즈(키포인트) 추출 참조문서

$ cat data.yaml
train: /home/{user}/{project_name}/datasets/train.txt
val: /home/{user}/{project_name}/datasets/val.txt
test: #optional

kpt_shape: [10, 3]  # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0,1,2,3,4,5,6,7,8,9]
names:
    0:st_leaf

사용법

Ultralytics의 YOLO를 사용하기 위해서 CLI(Command-Line Interface), 파이썬 혹은 utralytics 웹사이트를 통해 활용할 수 있습니다. 본 문서에서는 CLI 활용법을 다루며, yolo 명령어 뒤에 TASK, MODE, ARGS 순으로 입력하여 사용합니다.

yolo {TASK} {MODE} {ARGS}

위 규칙에 맞춰 학습을 위해 사용하는 명령어 예시는 아래와 같습니다. 이 명령어는 세그멘테이션 작업을 YOLO11의 Small Segmentation 모델을 사용하고 data.yaml의 데이터 정보를 참고하며, 베치는 1로 하는 모델을 학습하는 명령어입니다.

yolo segment train model=YOLO11s-seg data=/path/to/data.yaml batch=1

위 규칙에 맞춰 추론하는 명령어는 아래와 같습니다.

yolo detect predict model=/path/to/trained_weights.pt source=/path/to/images

MODE 옵션에 대한 YOLO 모델의 상세 종류는 Ultralytics 깃허브 레파지토리 에서 확인이 가능하며, ARGS에 대한 상세 종류 또한 Ultralytics 문서를 참고하여 확인할 수 있습니다.

[참고] model 파라미터에 YOLO 모델명 대신 사전 학습된 가중치 파일 경로를 입력하면 전이학습이 가능합니다.

Vision AI 기술 적용을 위한 ultralytics YOLOv11 활용법

Tags

환경 구축

데이터 준비

디렉션 구성

train/val 분할

학습 데이터 환경설정(data.yaml)

사용법