YOLO 커스텀 학습 데이터 만들기

저장 데이터 사진


YOLO 기반 객체 탐지 모델을 실무 프로젝트에 도입해보면서 가장 먼저 부딪힌 벽은 바로 커스텀 학습 데이터였습니다. 공개된 데이터셋은 목적에 딱 맞지 않거나, 특정 클래스가 부족한 경우가 많았고, 결국 필요한 것은 직접 데이터를 수집하고 라벨링하여 학습에 적합한 형태로 준비하는 작업이었습니다. 이 과정에서 느낀 것은 모델 성능보다 데이터 준비가 훨씬 중요한 성공 요인이 된다는 점이었습니다. 본 글에서는 YOLO 시리즈에 맞는 커스텀 학습 데이터를 어떻게 만들고 구성해야 하는지에 대해 체계적으로 정리해보겠습니다.

커스텀 데이터셋 준비의 기본 개념

YOLO는 객체 탐지(Object Detection) 모델로, 이미지 내에 존재하는 객체의 위치와 클래스 정보를 동시에 예측합니다. 따라서 학습에는 이미지뿐 아니라, 각 객체의 위치 정보와 클래스 ID가 포함된 어노테이션(annotation)이 반드시 필요합니다. YOLO는 학습 시 객체의 경계 상자를 바탕으로 학습을 진행하므로, 라벨 포맷은 이미지마다 각 객체의 클래스와 바운딩 박스 좌표를 텍스트 형식으로 지정해야 합니다.

YOLO의 라벨 파일은 이미지 파일명과 동일한 이름의 `.txt` 파일로 저장되며, 각 줄은 하나의 객체를 나타냅니다. 포맷은 다음과 같습니다: `[class_id] [x_center] [y_center] [width] [height]` 여기서 모든 좌표 값은 이미지 크기를 기준으로 정규화된 값(0~1 범위)으로 저장됩니다. 예를 들어 중심 좌표가 이미지의 정 가운데이고, 객체의 폭과 높이가 전체 이미지의 절반이라면, 해당 라인은 `0 0.5 0.5 0.5 0.5`처럼 표시됩니다.

데이터셋을 준비할 때는 최소 수백 장 이상의 이미지가 필요하며, 클래스 수에 따라 샘플 수를 균형 있게 배분하는 것이 중요합니다. 또한 다양한 배경, 조명, 크기, 각도에서 객체가 등장하도록 구성하면 학습된 모델이 실제 상황에서도 잘 동작할 확률이 높아집니다. 특히 실무에서는 단순한 정면 이미지보다 다양한 조건에서의 이미지 수집이 성능에 큰 차이를 만듭니다.

효율적인 라벨링 도구와 방법

YOLO의 학습용 라벨은 수동으로 작성하기 어렵기 때문에, 라벨링 툴을 활용하는 것이 일반적입니다. 대표적으로는 `LabelImg`, `Roboflow`, `CVAT`, `Makesense.ai` 등의 도구가 있으며, 이들 대부분은 YOLO 포맷을 기본 또는 선택 옵션으로 지원합니다.

LabelImg는 오프라인 도구로 가볍고 직관적인 UI를 제공하여, 빠르게 라벨링 작업을 시작할 수 있습니다. 저장되는 라벨 포맷은 기본적으로 YOLO 형식이며, 필요 시 Pascal VOC나 COCO 포맷으로 변환도 가능합니다. 다만 복수 사용자 협업에는 다소 제약이 있습니다.

Roboflow는 웹 기반 플랫폼으로, 라벨링뿐 아니라 데이터 증강, 포맷 변환, 라벨 품질 검토, 프로젝트 협업까지 통합적으로 지원합니다. 특히 라벨이 완료된 후 다양한 버전의 YOLO 포맷으로 쉽게 다운로드할 수 있으며, 학습 스크립트까지 함께 제공되는 점에서 생산성을 크게 높일 수 있습니다. 무료 요금제도 제공되어 소규모 프로젝트에는 매우 유용합니다.

라벨링 시에는 객체의 테두리를 최대한 정확하게 둘러싸는 것이 중요합니다. 과하게 넓거나 좁은 박스는 학습 성능에 악영향을 줄 수 있으며, 동일한 기준으로 꾸준히 라벨링하는 것이 가장 중요합니다. 복잡한 이미지일수록 클래스 오라클(class oracle)을 사전에 정의하여 라벨러 간의 기준 차이를 줄이는 것도 좋은 방법입니다.

YOLO 학습을 위한 데이터 구조화와 검증

라벨링이 끝난 후에는 YOLO 학습을 위한 디렉토리 구조와 설정 파일을 구성해야 합니다. 일반적으로는 다음과 같은 폴더 구조를 따릅니다: `/images/train`, `/images/val`, `/labels/train`, `/labels/val` 이미지와 라벨 파일은 동일한 이름을 가지며, 경로만 다르면 됩니다. 예를 들어 `img001.jpg`에 대한 라벨은 `labels/train/img001.txt`에 위치해야 하며, 같은 폴더 내에 있어야 합니다.

클래스 목록은 `data.yaml` 파일에 정의되며, 다음과 같은 형식으로 작성됩니다: train: ./images/train val: ./images/val nc: 3 names: [‘person’, ‘car’, ‘bicycle’] 여기서 `nc`는 클래스 수, `names`는 각 클래스의 이름을 배열 형태로 명시합니다. 이 파일은 학습 시 YOLO 모델이 클래스 개수와 이름을 인식하는 데 필수적인 역할을 합니다.

전체 데이터가 구성된 후에는 반드시 검증 단계를 거쳐야 합니다. 라벨 파일이 누락되었거나, 클래스 ID가 잘못 기입된 경우에는 학습이 실패하거나 비정상적인 결과가 발생할 수 있습니다. 데이터셋을 시각화하여 이미지와 라벨이 잘 대응되는지 확인하는 과정은 반드시 거쳐야 할 필수 절차입니다. 이를 위해 Roboflow, CVAT, 또는 custom Python 스크립트를 사용할 수 있습니다.

또한 훈련 전에 클래스별 이미지 수와 객체 수를 통계적으로 분석하는 것도 중요합니다. 만약 특정 클래스에만 데이터가 집중되어 있다면, 학습 편향을 줄이기 위해 증강(Augmentation)을 통한 보완이 필요합니다. 특히 YOLO는 빠른 학습 속도를 제공하지만, 적은 데이터에서도 편향되기 쉬우므로 클래스 간 균형 유지가 핵심입니다.

결론 – YOLO 커스텀 학습의 출발점은 데이터

YOLO 모델을 실제 문제에 적용하기 위해서는 커스텀 학습 데이터 준비가 반드시 선행되어야 합니다. 적절한 이미지 수집, 정확한 라벨링, 구조화된 데이터 구성, 클래스 밸런스 조정 등 모든 단계가 모델 성능을 결정짓는 중요한 요인입니다.

제가 수행한 객체 탐지 프로젝트에서도, 처음에는 적은 데이터로 빠르게 학습을 시도했지만 성능이 만족스럽지 못했습니다. 이후 데이터를 추가로 확보하고, 라벨 기준을 통일하고, 데이터 불균형을 해결한 뒤에는 훨씬 안정적이고 정확한 탐지 결과를 얻을 수 있었습니다.

YOLO의 강력한 탐지 성능을 제대로 활용하기 위해서는, 커스텀 데이터셋 준비부터 신중하게 접근해야 합니다. 본 글을 통해 여러분이 직접 커스텀 데이터를 준비하고 실전 프로젝트를 성공적으로 수행하는 데 도움이 되었기를 바랍니다.

댓글

댓글 쓰기

이 블로그의 인기 게시물

모델 평가 지표 정리 – 정확도, 정밀도, F1 Score까지

이미지
머신러닝 모델을 처음 만들어봤을 때, 정확도가 90% 이상 나오자 속으로 꽤 잘 만들었다고 생각했습니다. 하지만 막상 실제 데이터에 적용해보니 예측 결과가 엉뚱하게 나오는 경우가 많았습니다. 그때 처음으로 ‘정확도만 보고 판단하면 안 되겠구나’라는 생각이 들었습니다. 이후 정밀도, 재현율, F1 Score 같은 지표들을 접하면서 비로소 모델 성능을 입체적으로 해석하는 것이 얼마나 중요한지 깨닫게 되었습니다. 정확도(Accuracy) – 가장 기본적인 성능 지표 정확도는 전체 예측 중에서 정답으로 맞힌 비율을 나타내는 가장 기본적인 모델 평가 지표입니다. 수식으로는 다음과 같이 표현됩니다. 정확도 = (정답으로 맞힌 건수) / (전체 건수) 예를 들어 100개의 샘플 중에서 90개를 정확히 예측했다면 정확도는 90%입니다. 간단하고 직관적인 지표이기 때문에 많은 입문자들이 가장 먼저 사용하게 됩니다. 그러나 정확도에는 한 가지 큰 함정이 있습니다. 바로 데이터가 불균형한 경우, 높은 정확도에도 불구하고 모델이 쓸모없을 수 있다는 점입니다. 예를 들어 암 환자 데이터 중 95%가 정상이고 5%만 환자일 경우, 모든 샘플을 ‘정상’이라고 예측하면 정확도는 95%가 됩니다. 하지만 이 모델은 정작 암 환자를 전혀 찾아내지 못하는 무의미한 결과를 만들어냅니다. 이처럼 클래스 불균형 문제에서는 정확도 하나만으로 모델을 평가할 수 없습니다. 정밀도(Precision)와 재현율(Recall) – 오류의 방향을 분석하다 정밀도와 재현율은 이진 분류 문제에서 오류의 종류에 따라 성능을 평가하는 데 사용됩니다. 둘은 서로 다른 관점을 제공합니다. 정밀도(Precision) 는 모델이 ‘양성’이라고 예측한 것들 중에서 실제로 양성인 비율을 의미합니다. 즉, 모델이 얼마나 신중하게 양성으로 판단했는지를 나타냅니다. 정밀도 = TP / (TP + FP) (TP: 진짜 양성, FP: 거짓 양성) 예를 들어 스팸 필터에서 스팸으로 분류된 메일 중 실제로 스팸인...
자세한 내용 보기

선형회귀와 로지스틱 회귀 – 가장 기초적인 예측 모델들

이미지
머신러닝을 처음 배우던 시절, 다양한 알고리즘들이 복잡하게 느껴졌지만, 그중에서도 선형회귀와 로지스틱 회귀는 이해의 출발점이 되어주었습니다. 특히 데이터를 시각화하고 직선 하나를 그어 예측을 하는 과정은 매우 직관적이었고, 로지스틱 회귀를 통해 분류 문제도 수치적으로 접근할 수 있다는 사실은 신선하게 다가왔습니다. 모델의 복잡함보다는, 그 근간이 되는 수학적 직선과 확률 개념을 얼마나 정확히 이해하느냐가 중요하다는 것을 점차 느끼게 되었습니다. 선형회귀 – 연속적인 수치를 예측하는 가장 단순한 모델 선형회귀(Linear Regression)는 독립 변수와 종속 변수 간의 선형 관계를 기반으로, 입력값에 따라 연속적인 수치 값을 예측하는 회귀 알고리즘입니다. 예를 들어 면적에 따른 집값 예측, 공부 시간에 따른 시험 점수 예측처럼, 결과가 숫자로 나타나는 문제에서 활용됩니다. 선형회귀의 수식은 다음과 같습니다. y = w1x1 + w2x2 + ... + wnxn + b 여기서 y는 예측값, x는 입력 변수, w는 가중치(회귀계수), b는 절편을 의미합니다. 이 모델은 데이터 포인트를 가장 잘 설명하는 직선을 찾는 것이 핵심이며, 손실 함수로는 보통 평균제곱오차(Mean Squared Error, MSE)를 사용합니다. 즉, 실제 값과 예측 값의 차이를 제곱해 평균을 구하고, 이 값을 최소화하는 방향으로 가중치를 조정합니다. 선형회귀의 장점은 해석이 매우 명확하다는 점입니다. 각 변수의 계수가 결과에 어떤 영향을 미치는지 직관적으로 이해할 수 있기 때문에, 통계 분석과 실무 보고서에서도 자주 사용됩니다. 하지만 변수 간 선형성이 없거나, 이상치에 민감한 경우에는 성능이 급격히 떨어질 수 있으므로 주의가 필요합니다. 로지스틱 회귀 – 분류 문제를 위한 회귀 알고리즘 로지스틱 회귀(Logistic Regression)는 선형회귀와 유사한 구조를 가지지만, 결과값이 연속적인 수치가 아닌 범주(클래스) 라는 점에서 차이가 있습니다. 대표적으로 이...
자세한 내용 보기

지도학습 vs 비지도학습 – 머신러닝의 대표 학습 방식 비교

이미지
머신러닝 공부를 막 시작했을 때 가장 헷갈렸던 개념 중 하나는 지도학습과 비지도학습의 차이였습니다. 처음에는 단순히 정답이 있는지 없는지의 차이라고 들었지만, 실제로 다양한 문제를 접하고 적용해보니 그 차이는 훨씬 더 근본적이고 실용적인 관점에서 이해되어야 한다는 것을 깨달았습니다. 이 두 방식은 머신러닝을 배우는 입장에서 가장 기본이면서도, 실제 데이터를 어떻게 다뤄야 하는지를 결정짓는 출발점이기도 합니다. 지도학습 – 정답이 있는 데이터로부터 배우다 지도학습(Supervised Learning)은 학습 데이터에 입력(Input)과 정답(Output)이 명확히 주어진 상태에서 모델을 훈련시키는 방식입니다. 즉, 기계는 입력값에 대해 어떤 결과가 나와야 하는지를 미리 알고 있고, 이를 기준으로 오차를 줄여가며 학습합니다. 예를 들어 이메일이 스팸인지 아닌지를 분류하는 문제에서는, 이미 ‘스팸’ 혹은 ‘정상’이라는 라벨이 붙은 수천 개의 메일을 학습 데이터로 사용합니다. 이 데이터를 통해 머신러닝 모델은 특정 단어나 발신자 정보, 메일 구조 등의 특징을 학습하고, 이후 새로운 메일에 대해서도 스팸 여부를 예측할 수 있게 됩니다. 지도학습에서 가장 대표적인 문제 유형은 두 가지입니다. 하나는 ‘분류(Classification)’ 문제로, 특정 입력이 어떤 범주에 속하는지를 예측하는 것입니다. 예를 들어 암 진단 모델이 입력된 의료 데이터를 보고 양성인지 음성인지 판단하는 것이 여기에 해당합니다. 다른 하나는 ‘회귀(Regression)’ 문제로, 연속적인 수치를 예측하는 데 사용됩니다. 예를 들어 주택의 면적, 위치, 층수 등을 보고 가격을 예측하는 모델이 대표적인 회귀 문제입니다. 지도학습의 장점은 명확한 목표와 피드백을 통해 빠르게 학습할 수 있다는 점이며, 결과의 정확도 역시 비교적 높게 유지됩니다. 그러나 단점으로는 정답 데이터를 만드는 데 시간이 많이 들고, 현실에서 라벨이 없는 데이터가 훨씬 많다는 한계가 존재합니다. 비지도학습 – ...
자세한 내용 보기