YOLO11 객체 탐지 프로젝트: 학습부터 추론까지
본 문서는 인공지능 모델의 이론적 학습 구조와 실제 업무 환경에서의 적용 과정을 단계별로 통합하여 설명합니다.
1단계: 데이터 준비 및 환경 구축 (Setup & Data)
AI가 학습할 수 있는 환경을 만들고 데이터를 로드할 준비를 합니다.
-
환경 격리 (
.venv): 프로젝트별 독립된 가상환경을 구축하여 라이브러리 충돌을 방지합니다. -
데이터 로더 설정:
batch: 16,imgsz: 640등의 설정을 통해 데이터를 효율적으로 CPU/GPU에 전달합니다. -
데이터 증강 (Augmentation):
mosaic: 1.0설정을 통해 여러 이미지를 합쳐 모델에게 고난도 문제를 제시합니다.
2단계: 모델 정의 및 로드 (Model Definition)
학습의 기초가 되는 모델 구조를 결정합니다.
-
Pre-trained Model 활용: 처음부터 배우는 대신, 이미 검증된
yolo11n.pt의 지식을 가져오는 전이 학습(Transfer Learning) 방식을 채택합니다. -
로컬 가중치 우선: 외부 서버 다운로드보다 로컬 폴더의
.pt파일을 직접 호출하여 네트워크 의존도를 낮춥니다.
3단계: 학습 엔진 및 손실 함수 (Loss & Optimizer)
모델이 어떻게 정답을 맞히고 틀린 지를 계산하는 '두뇌의 보정 방식'을 설정합니다.
-
손실 함수(Loss Function): 박스 위치(
box), 클래스 분류(cls), 경계 정밀도(dfl)를 종합하여 오차를 계산합니다. -
최적화(Optimizer):
lr0: 0.01(학습률) 설정을 통해 모델이 정답을 향해 이동하는 보폭을 결정합니다.
4단계: 100-에포크 학습 로드맵 (Training Roadmap)
학습 프로세스는 크게 세 구간으로 나뉘어 진행됩니다.
| 구간 (Phase) | 에포크 범위 | 핵심 메커니즘 | 역할 |
|---|---|---|---|
| 1. 예열 (Warmup) | 1 ~ 3 Epoch | warmup_epochs: 3.0 | 급격한 가중치 변화 방지 및 초기 안정화 |
| 2. 안정 학습 | 4 ~ 90 Epoch | mosaic: 1.0 | 다양한 환경(배경, 크기)에 대한 적응력 극대화 |
| 3. 정밀 튜닝 | 91 ~ 100 Epoch | close_mosaic: 10 | 증강을 끄고 실제 데이터 정밀도 향상에 집중 |
5단계: 실무 트러블슈팅 (Practical Troubleshooting)
실행 과정에서 발생하는 변수를 해결하는 단계입니다. (사용자 경험 반영)
-
SSL 인증서 오류: 기업 보안망 환경에서
ssl._create_unverified_context를 통해 외부 연결 차단 문제를 해결했습니다. -
파일명 정밀 매칭:
yolov11n과yolo11n의 명칭 차이를 바로잡아 불필요한 네트워크 통신을 차단했습니다. -
리소스 최적화: CPU 환경에서의 무의미한 100 에포크 학습 대신, 기학습된 모델을 활용한 즉각 추론(Inference)으로 전략을 수정하여 효율성을 높였습니다.
6단계: 성능 평가 및 시각화 (Evaluation & Plotting)
모델이 얼마나 잘 맞히는지 성적표를 확인합니다.
-
성능 지표: mAP(mean Average Precision)를 통해 객체 탐지의 정확도를 측정합니다.
-
시각화:
runs/detect/predict폴더에 생성된 결과 이미지를 통해 AI가 판단한 근거(Box, Confidence Score)를 육안으로 확인합니다.
7단계: 모델 저장 및 배포 (Save & Deploy)
완성된 AI를 실제 서비스나 업무에 적용합니다.
-
best.pt: 전체 과정 중 가장 성능이 좋았던 시점의 가중치를 저장합니다. -
파이썬 스크립트화:
travel.py와 같이 독립적인 실행 파일을 만들어 사진/영상을 넣으면 즉시 결과가 나오도록 자동화합니다.
from ultralytics import YOLO
import os
model = YOLO("yolo11n.pt")
img_path = "travel_sample.jpeg"
if os.path.exists(img_path):
result = model.predict(source=img_path, save=True, conf=0.25, show=True)
print(f"분석 완료: {result[0].save_dir}")
else:
print(f"이미지 파일을 찾을 수 없습니다: {img_path}")
내가 찍은 교토 택시 사진🚕
최종 정리
-
이론: 100 에포크 로드맵은 모델의 '정밀도'를 완성하는 과정입니다.
-
실무: 하지만 이미 학습된 모델(
yolo11n.pt)이 있다면, 추론(Predict)만으로도 90% 이상의 업무를 즉시 처리할 수 있습니다. -
최적화: 나머지 10%의 특수한 사물(나만의 여행 기념품 등)은
freeze기능을 활용한 짧은 미세 조정(Fine-tuning)으로 해결하는 것이 가장 스마트한 전략입니다.
