YOLO 학습 데이터 구성과 전처리 방법

데이터 선택 사진


YOLO를 활용해 객체 탐지 모델을 개발하던 중, 모델 설정보다 더 많은 시간을 들이게 된 부분이 바로 학습 데이터 구성과 전처리였습니다. 프로젝트 초기에는 단순히 이미지를 모으고 라벨을 붙이면 될 거라 생각했지만, 실제로는 정확한 라벨링, 디렉토리 정리, 클래스 관리 등 세부적인 작업이 모델 성능에 큰 영향을 주었습니다. 이 글에서는 YOLO 학습 데이터를 구성하는 방법과 필요한 전처리 절차를 단계적으로 설명 하도록 하겠습니다.

YOLO 학습 데이터 구성 방법

YOLO 모델은 이미지 파일과 이에 대응하는 라벨 파일을 쌍으로 사용하여 학습합니다. 라벨 파일은 텍스트 형식으로 작성되며, 각 줄은 하나의 객체 정보를 담고 있습니다. 라벨 한 줄은 총 다섯 개의 항목으로 구성되며, 순서대로 클래스 번호, 중심 좌표 x, 중심 좌표 y, 박스의 너비, 박스의 높이를 입력합니다. 이때 모든 좌표와 크기 정보는 이미지 해상도 기준의 정규화된 값, 즉 0에서 1 사이의 실수로 표현되어야 합니다.

예를 들어 클래스 번호가 0이고 객체의 중심이 이미지 정중앙에 있으며, 폭과 높이가 이미지 크기의 절반이라면, 해당 라벨 파일에는 ‘0 0.5 0.5 0.5 0.5’ 와 같은 형식의 라인이 포함됩니다. 하나의 이미지에 여러 객체가 있을 경우 각 객체마다 한 줄씩 작성하며, 라벨 파일의 이름은 이미지 파일 이름과 동일하게 맞춰야 YOLO 학습 파이프라인에서 자동으로 매칭됩니다.

데이터를 구성할 때는 훈련용 이미지와 검증용 이미지, 그리고 각각에 해당하는 라벨 파일을 분리하여 정리해야 합니다. 일반적으로 'images/train', 'images/val' 폴더에 이미지를, 'labels/train', 'labels/val' 폴더에 라벨 파일을 배치합니다. 이를 통해 학습 시 데이터셋을 구분할 수 있으며, 학습 스크립트가 해당 경로를 참조해 자동으로 데이터를 불러올 수 있습니다.

정확한 라벨링과 전처리의 중요성

객체 탐지 모델은 바운딩 박스와 클래스 정보를 정확히 학습해야 하기 때문에, 라벨링의 정확도가 전체 성능을 결정한다고 해도 과언이 아닙니다. 바운딩 박스가 객체의 윤곽을 지나치게 벗어나거나 너무 좁게 잡힐 경우, 모델이 객체의 실제 크기를 잘못 학습하게 되어 탐지 오류가 발생합니다. 따라서 라벨링 작업은 신중하게 진행해야 하며, 가능하면 라벨링 완료 후 전수 검토를 수행하거나 팀 내에서 교차 검토를 진행하는 것이 좋습니다.

라벨링 작업은 수동으로 진행하기 어렵기 때문에, 대부분 전용 툴을 사용합니다. 대표적으로 LabelImg, Roboflow, Makesense, CVAT 등이 있으며, 이들 툴은 YOLO 형식으로 라벨을 저장하는 기능을 기본적으로 지원합니다. 특히 Roboflow는 웹 기반으로 작동하며, 라벨링 후 자동으로 학습용 데이터셋을 구성하고 포맷까지 맞춰주는 기능을 제공하여 매우 유용합니다.

전처리 과정에서는 우선 이미지의 크기를 모델 입력에 맞게 조정하는 것이 필요합니다. YOLO는 일반적으로 640x640 또는 416x416 크기의 정사각형 이미지를 입력으로 받기 때문에, 원본 이미지가 비정사각형일 경우 적절히 크기를 조정하거나 여백을 추가하는 방식으로 비율을 유지해야 합니다. 이 과정을 거치지 않으면 이미지가 왜곡되어 학습에 부정적인 영향을 미칠 수 있습니다.

또한 이미지의 색상 값을 정규화하는 것도 필수입니다. 대부분의 프레임워크에서는 픽셀 값을 0~255 범위에서 0~1 사이로 조정하며, 이 작업은 이미지 배열을 float32 형식으로 변환한 후 수행됩니다. 이러한 전처리는 PyTorch, TensorFlow와 같은 프레임워크에서 텐서 변환 함수로 쉽게 구현할 수 있습니다.

데이터 증강과 클래스 관리 전략

YOLO 모델은 입력 데이터의 다양성에 따라 일반화 능력이 크게 달라집니다. 이를 보완하기 위해 데이터 증강 기법을 적극 활용해야 합니다. 데이터 증강은 원본 이미지를 회전, 반전, 확대, 색상 변화, 블러 처리 등으로 다양하게 변형하여 학습 데이터를 확장하는 방식입니다. 이를 통해 모델이 다양한 상황에서도 객체를 안정적으로 탐지할 수 있도록 학습시킬 수 있습니다.

YOLOv5와 YOLOv8은 기본적으로 다양한 증강 기법을 내장하고 있으며, 특히 Mosaic 증강은 네 장의 이미지를 하나로 합쳐 새로운 데이터를 만들어주는 방식으로, 객체 간의 관계나 배경에 대한 학습 효과를 극대화합니다. 다만 과도한 증강은 학습 안정성을 떨어뜨릴 수 있기 때문에 실험을 통해 적절한 비율을 설정하는 것이 중요합니다.

클래스 관리는 또 다른 핵심 요소입니다. 학습에 사용할 클래스는 미리 리스트로 정의해야 하며, 이 순서에 따라 라벨 파일의 클래스 번호가 지정됩니다. 예를 들어 ‘person’, ‘car’, ‘dog’ 순서로 클래스가 정의되었다면, 각각은 0, 1, 2번 클래스로 라벨 파일에 반영되어야 합니다. 클래스 이름과 번호가 불일치하거나 중복될 경우 탐지 결과가 왜곡될 수 있습니다.

또한 클래스 간 불균형이 심한 경우, 데이터셋을 재조정하거나 가중치 설정을 통해 특정 클래스의 학습 효과를 높여야 합니다. 불균형이 심한 상태에서 모델을 그대로 학습시키면, 빈도수가 낮은 클래스는 아예 탐지되지 않을 수도 있기 때문입니다. 학습 전에 클래스 분포를 시각화하거나, 소수 클래스에 대한 샘플 수를 늘리는 전략을 함께 고려하는 것이 좋습니다.

결론 – 정확하고 체계적인 데이터 구성의 중요성

YOLO 모델을 통한 객체 탐지는 빠르고 효율적인 결과를 제공하지만, 그 성능은 데이터 품질에 크게 의존합니다. 정확한 라벨링, 포맷 일관성, 클래스 관리, 전처리 전략 등은 학습 성능을 결정짓는 핵심 요소이며, 실무 프로젝트에서는 모델 구조보다 오히려 이 부분에서 더 많은 시간이 소요되기도 합니다.

제가 진행했던 프로젝트에서도 라벨 파일 포맷 오류나 클래스 누락으로 인해 학습 초기 결과가 매우 불안정했습니다. 하지만 전체 데이터 구성을 점검하고 재정리한 후에는 동일한 모델 구조로도 정확도가 크게 향상되었고, 실시간 영상에서도 안정적인 탐지가 가능했습니다.

YOLO를 처음 사용하는 분들이라면 모델을 바로 학습시키기 전에, 데이터셋의 구조와 품질을 충분히 검토하고 준비하는 데 시간을 들이시는 것을 권장드립니다. 데이터가 제대로 준비되어 있다면, 그 어떤 최신 모델보다도 안정적이고 예측 가능한 성능을 얻을 수 있습니다.

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