YOLO 클래스 수 조정과 설정법

숫자변경 사진


YOLO 기반의 객체 탐지 모델을 실제 프로젝트에 적용하면서 가장 많이 조정하게 되는 부분 중 하나가 바로 클래스 수 설정입니다. 처음에는 기본 제공되는 COCO 데이터셋 기반 구조를 그대로 사용하는 것이 편리하게 느껴졌지만, 실제 환경에서는 필요한 클래스만 남기거나 새로운 클래스를 추가하는 작업이 필수적이었습니다. 이 글에서는 YOLO에서 클래스 수를 변경하는 방법과 그에 따른 설정 파일 수정, 주의사항 등을 중심으로 커스텀 클래스를 적용하는 전체 과정을 정리하겠습니다.

YOLO에서 클래스 수가 중요한 이유

YOLO는 이미지 내에서 객체의 위치와 함께 클래스까지 동시에 예측하는 모델입니다. 따라서 모델의 출력층은 클래스 수에 따라 결정됩니다. 예를 들어, COCO 데이터셋을 기준으로 사전 학습된 YOLO 모델은 80개의 클래스를 구분할 수 있도록 구성되어 있습니다. 하지만 사용자의 목적에 따라 1개에서 수십 개까지 클래스 수를 조정하여 사용할 수 있으며, 이 경우 모델 구조, 설정 파일, 데이터 구성 모두에 변경이 필요합니다.

클래스 수가 변경되면 출력층의 차원이 달라지므로, 학습을 다시 시작해야 하며 사전 학습된 가중치를 그대로 사용할 수 없습니다. 다만 백본 가중치는 전이 학습 개념으로 사용할 수 있으므로, 기존 모델을 활용한 효율적인 학습도 가능합니다. 클래스 수가 많은 경우에는 다중 분류로 인한 정확도 저하가 발생할 수 있고, 클래스 간 유사성이 클 경우 오분류도 늘어날 수 있으므로, 클래스 설계 단계에서부터 충분한 고려가 필요합니다.

클래스 수 조정에 따른 설정 변경

YOLO에서 클래스 수를 변경하기 위해서는 몇 가지 필수 설정을 수정해야 합니다. 가장 먼저 확인해야 할 것은 데이터 구성 파일입니다. YOLOv5 기준으로 `data.yaml` 파일에 클래스 수와 클래스 이름이 명시되어야 합니다. 예를 들어 클래스가 3개라면, nc 항목을 3으로 지정하고, names 리스트에 해당 클래스 이름을 차례로 입력합니다.

예시 구성은 다음과 같습니다. train: ./images/train val: ./images/val nc: 3 names: [‘person’, ‘car’, ‘bicycle’] 이처럼 클래스 수(nc)와 이름(names)은 모델이 출력층에서 어떤 클래스를 예측해야 하는지를 정의합니다. 이 값을 정확히 지정하지 않으면, 모델은 올바른 출력을 생성하지 못하며 학습 또는 추론 시 오류가 발생할 수 있습니다.

다음으로는 모델 구성 파일의 수정이 필요합니다. YOLOv5에서는 `models/yolov5s.yaml`과 같은 모델 구조 정의 파일을 사용합니다. 해당 파일의 마지막 출력 부분에서 `nc` 값을 수정하여 클래스 수에 맞게 출력 채널을 조정해야 합니다. 예를 들어 기존에 `nc: 80`으로 설정되어 있다면, 이를 `nc: 3`으로 변경해야 합니다. 이 설정은 모델의 detection head가 몇 개의 클래스를 예측할지 결정하는 부분이므로, 꼭 잊지 않고 수정해야 합니다.

또한 기존 가중치를 사용할 경우에는 `--weights` 옵션으로 백본만 초기화하고, 출력층은 무작위로 초기화되도록 설정하는 것이 좋습니다. 이를 통해 불필요한 클래스 가중치를 제거하고 커스텀 클래스에 맞는 학습을 시작할 수 있습니다.

클래스 수 조정 시 주의사항

클래스 수를 줄이거나 늘릴 때에는 몇 가지 주의할 점이 있습니다. 첫째, 라벨 파일의 클래스 인덱스와 `data.yaml` 파일의 names 순서가 정확히 일치해야 합니다. 예를 들어 라벨 파일에서 ‘car’ 클래스가 1번이라면, `data.yaml`의 names 리스트에서도 1번 인덱스가 ‘car’여야 합니다. 이 순서가 어긋나면 모델은 잘못된 클래스를 학습하거나 예측하게 됩니다.

둘째, 클래스 수가 매우 적은 경우, 예를 들어 단일 클래스일 때에는 NMS 설정도 조정할 필요가 있습니다. 다중 클래스 탐지를 전제로 한 NMS 알고리즘은 클래스 구분 없이 박스를 제거하는 방식이기 때문에, 단일 클래스에서는 불필요한 제거가 발생할 수 있습니다. 이런 경우 `agnostic-nms` 설정을 확인하거나, post-processing에서 클래스 간 구분 여부를 조정해야 합니다.

셋째, 클래스 수가 많아질수록 데이터 균형이 중요해집니다. 특정 클래스에 데이터가 몰려 있다면, 모델은 해당 클래스에 편향되어 학습될 수 있습니다. 따라서 클래스별 이미지 수와 라벨 수를 미리 분석하여, 불균형이 있다면 증강이나 오버샘플링을 통해 보완하는 것이 좋습니다.

마지막으로 추론 시에도 `--classes` 옵션을 통해 특정 클래스만 추론하도록 설정할 수 있습니다. 이는 다중 클래스 모델을 학습했지만 실제로는 일부 클래스만 필요할 때 유용하게 사용할 수 있는 기능입니다. 반대로 전체 클래스를 대상으로 추론해야 하는 경우, 해당 옵션을 생략하여 전체 결과를 출력할 수 있습니다.

결론 – 클래스 수 조정은 YOLO 커스터마이징의 핵심

YOLO에서 클래스 수를 조정하는 과정은 단순히 숫자를 바꾸는 작업이 아니라, 모델 구조와 데이터 설정, 학습 전략 전반을 고려해야 하는 중요한 단계입니다. 정확한 클래스 정의와 설정 변경 없이 학습을 시작하게 되면, 탐지 결과가 왜곡되거나 모델이 정상적으로 수렴하지 않을 수 있습니다.

제가 진행했던 커스텀 탐지 프로젝트에서도 클래스 수 조정에 대한 실수가 여러 번 있었습니다. 초기에 라벨과 설정 파일 간의 불일치로 인해 학습된 모델이 엉뚱한 클래스를 예측하거나, 추론 결과가 전혀 나타나지 않는 문제가 발생했습니다. 이를 통해 클래스 수 조정이 단순한 설정 변경이 아닌, YOLO 모델 전체 동작에 영향을 주는 핵심적인 작업이라는 것을 실감했습니다.

YOLO를 활용한 객체 탐지 프로젝트를 안정적으로 수행하고자 한다면, 클래스 수 조정과 그에 따른 설정 변경을 체계적으로 수행하는 것이 중요합니다. 이 글이 클래스 수를 조정하고, 커스텀 모델을 구성하는 데 실질적인 도움이 되기를 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