Ultralytics YOLO26 출시: 특징 분석 및 커스텀 데이터셋 학습 가이드

• •YOLO11 대비 향상된 mAP 정확도 제공
• •CPU 환경에서 YOLO11보다 유의미하게 빠른 추론 속도 기록
• •엣지 디바이스 배포에 최적화된 아키텍처 설계

• •NMS 제거를 통한 엔드투엔드 추론 파이프라인 구현
• •CPU 추론 속도 최대 43% 향상 달성
• •MooSGD 옵티마이저 및 Prog-LSTAL 손실 함수 도입으로 학습 안정성 강화

NMS는 객체 탐지 모델에서 중복된 검출 상자를 제거하는 필수적인 후처리 단계이지만, 연산량이 많아 전체 시스템의 병목 현상을 일으키기도 한다.

• •pip install ultralytics 명령어로 최신 라이브러리 환경 구축
• •Google Colab의 GPU 가속 환경 활용
• •Ultralytics 생태계 내의 기존 도구들과 완벽한 호환성 유지

• •의료 영상 기반의 뇌종양 탐지 커스텀 데이터셋 활용
• •YAML 파일을 통한 데이터 경로 및 클래스 정보 정의
• •정규화된 Bounding Box 좌표 시스템 적용

YOLO 형식의 데이터셋은 이미지 파일과 동일한 이름의 .txt 파일을 가지며, 파일 내부에는 '클래스 x_center y_center width height' 정보가 기록된다.

• •yolo26n.pt 사전 학습 모델을 활용한 전이 학습 수행
• •100 Epoch 및 640 이미지 해상도 설정으로 학습 최적화
• •학습 과정 중 GPU 메모리 사용량 및 손실 값 실시간 모니터링

전이 학습은 대규모 데이터셋에서 미리 학습된 모델의 지식을 새로운 특정 작업에 재사용하는 기법이다.

• •Confusion Matrix를 통한 클래스별 분류 정확도 검증
• •이미지당 약 12.5ms의 고속 추론 성능 확인
• •best.pt 가중치를 활용한 최종 예측 결과 시각화 및 저장

Confusion Matrix는 모델의 예측 결과와 실제 정답 간의 관계를 표로 나타내어 정확도, 정밀도, 재현율 등을 분석하는 도구이다.