공개 데이터로 객체 탐지 AI 모델 만들기

PASCAL VOC 2012 공개 데이터셋을 활용해 D-Lab Flow에서 객체 탐지(Object Detection) 모델을 만드는 방법을 소개합니다. D-Lab Flow는 코드 작성 없이도 학습부터 평가까지 한 번에 진행할 수 있어, 초보자도 손쉽게 비전 AI 프로젝트를 시작할 수 있습니다.

시작하기 전에

컴퓨터 비전 분야에서 널리 사용되는 PASCAL VOC 2012 공개 데이터셋을 활용하여 객체 탐지(Object Detection) AI 모델을 만들어 봅니다.

D-Lab Flow 플랫폼을 사용하면 복잡한 코드 작성 없이도 데이터 준비부터 모델 학습, 평가까지 전체 과정을 직관적인 인터페이스로 진행할 수 있습니다.

완성된 모델은 이미지 내 다양한 객체(사람, 자동차, 동물 등)를 인식하고 정확한 위치를 찾아내는 기능을 갖추게 됩니다.

이 과정을 통해 D-Lab Flow의 기본 사용 방법를 이해하고, 실제 프로젝트에 적용할 수 있는 실무 경험을 쌓을 수 있습니다.

D-Lab Flow 계정 발급받기

D-Lab Flow는 현재 비공개 서비스로 운영되어, 일반 사용자의 자유 가입이 제한되어 있습니다. 계정 발급을 위해서는 다음 절차를 따라주세요:

계정 발급 신청

강원ICT융합연구원에 문의하여 D-Lab Flow 계정을 발급받으실 수 있습니다.

📞 문의처: 강원ICT융합연구원
📧 이메일: gritdevops@gmail.com
🌐 웹사이트: https://grit.gwnu.ac.kr

신청 시 필요 정보:

• 신청자 소속 및 성명
• 사용 목적 (연구, 교육, 프로젝트 등)
• 연락처 정보

계정 발급이 완료되면, 제공받은 로그인 정보로 D-Lab Flow에 접속하여 이번 튜토리얼을 따라하실 수 있습니다.

비공개 서비스 이용 안내

• 현재 초청 기반 비공개 서비스로 운영 중이며, 향후 가입 방식이 변경될 수 있습니다
• 비공개 서비스 기간 중에는 일부 기능이 제한되거나 변경될 수 있습니다
• 서비스 문의 및 개선 제안은 gritdevops@gmail.com 로 이메일 부탁드립니다.

1. 데이터 준비

1.1 PASCAL VOC 2012 데이터셋 다운로드

1. PASCAL VOC 2012 데이터셋을 다운로드합니다.

   • 공식 웹사이트에서 다운로드 (속도느림)
   • Kaggle에서도 다운로드 가능 (속도빠름)
   • 약 17,000장의 이미지와 XML 형식의 라벨 정보 포함
   • CC BY 4.0 라이선스로 배포 (원 저작자: Mark Everingham et al.)
   • 20개 클래스 (사람, 자동차, 자전거, 비행기, 배, 버스, 고양이, 개 등)의 객체 분류 및 탐지용 데이터

2. 다운로드한 압축 파일을 풀면 다음과 같은 구조를 확인할 수 있습니다:

   VOC2012_train_val
     ├── JPEGImages/         # 원본 이미지 파일들
     ├── Annotations/        # XML 형식의 라벨 파일들
     ├── ImageSets/          # 학습/검증/테스트 데이터 분할 정보
     ├── SegmentationClass/  # 세그멘테이션 Class 마스크 이미지들
     └── SegmentationObject/ # 세그멘테이션 Object 마스크 이미지들
   VOC2012_test_val
     ├── JPEGImages/         # 테스트용 이미지 파일들
     ├── Annotations/        # XML 형식의 라벨 파일들
     └── ImageSets/          # 테스트 데이터 분할 정보

1.2 학습 데이터 확인

D-Lab Flow에서 효율적으로 업로드하기 위해 다음과 같이 데이터를 준비합니다.

1. 필요한 폴더만 선별: 객체 탐지 모델 학습을 위해서는 VOC2012_train_val 폴더안의 JPEGImages와 Annotations 폴더만 필요합니다.
2. 파일 이름 확인: 이미지 파일과 XML 라벨 파일의 이름이 정확히 매칭되는지 확인합니다.

2. D-Lab Flow 데이터 저장소 및 데이터셋 생성

2.1 D-Lab Flow 로그인

발급받은 계정 정보로 D-Lab Flow에 로그인합니다.

1. D-Lab Flow 웹사이트 접속
2. 제공받은 사용자 ID와 비밀번호 입력
3. 로그인 완료 후 메인 대시보드 확인

로그인 관련 주의사항

• 처음 로그인 시 비밀번호 변경을 권장합니다
• 계정 정보는 타인과 공유하지 마세요
• 로그인에 문제가 있을 경우 gritdevops@gmail.com로 이메일 문의 부탁드립니다

2.2 데이터 저장소 생성

먼저 학습 데이터를 체계적으로 관리하기 위한 데이터 저장소를 생성해야 합니다.

1. D-Lab Flow 메인 화면에서 데이터 저장소 메뉴로 이동
2. 저장소 생성 버튼을 클릭
3. 다음 정보를 입력:
   • 저장소 이름: PASCAL_VOC_2012 (명확하고 구분 가능한 이름)
   • 해시태그: VOC, 객체탐지, 공개데이터 (검색 및 식별용 키워드)
   • 파일 타입: 이미지 (현재 지원되는 유일한 타입)

데이터 저장소 생성에 관한 상세 매뉴얼은 D-Lab Flow 공식 문서를 참고하세요.

2.3 이미지 파일 업로드

생성한 데이터 저장소에 PASCAL VOC 2012 이미지들을 업로드합니다.

1. 생성된 저장소 선택
2. 업로드 버튼 클릭
3. 업로드 방식 선택:
   • 업로드 파일: JPEGImages 폴더의 이미지들을 개별적으로 선택
   • 업로드 폴더: JPEGImages 폴더를 한 번에 업로드 (권장)

업로드 팁

• 지원 포맷: .jpg, .png, .bmp
• 대용량 파일의 경우 안정적인 네트워크 환경에서 업로드
• 업로드 진행률을 확인하며 중단되지 않도록 주의
• 한 번에 최대 10,000개 파일, 총 1.5GB까지 업로드할 수 있습니다.
• 파일 수나 용량이 초과되는 경우, 폴더를 분할하여 나눠서 업로드해 주세요.

이미지 파일 업로드에 관한 상세 매뉴얼은 D-Lab Flow 공식 문서를 참고하세요.

2.4 데이터셋 생성

업로드된 이미지들을 하나의 데이터셋으로 구성합니다.

1. 데이터셋 생성 버튼 클릭
2. 데이터셋 정보 입력:
   • 데이터셋 이름: VOC2012_Detection
   • 해시태그: PASCAL_VOC, 객체탐지, 튜토리얼
   • 메모: PASCAL VOC 2012 데이터셋

데이터셋 생성에 관한 상세 매뉴얼은 D-Lab Flow 공식 문서를 참고하세요.

3. 라벨링 정보 업로드 및 처리

3.1 라벨 정보 파일 업로드

PASCAL VOC 포맷의 XML 라벨 파일들을 D-Lab Flow에 업로드합니다.

1. 저장소 선택 화면의 조작영역에서 라벨링 정보 업로드 아이콘 클릭
2. Annotations 폴더 또는 개별 XML 파일들을 선택하여 업로드
3. 중요 설정:
   • 자동 클래스 생성 옵션 체크 ✅
   • 이 옵션을 활성화하면 XML 파일에 정의된 모든 클래스가 자동으로 등록됩니다.

주의사항

• XML 파일명과 이미지 파일명이 정확히 일치해야 매칭됩니다
• 대소문자 구분에 유의하세요
• 확장자를 제외한 파일명이 동일해야 합니다 (예: image001.jpg ↔ image001.xml)

라벨링 정보 업로드에 관한 상세 매뉴얼은 D-Lab Flow 공식 문서를 참고하세요.

3.2 클래스 정보 확인 및 편집

라벨 파일 업로드가 완료되면 자동으로 추출된 클래스 정보를 확인합니다.

클래스 설정에 관한 상세 매뉴얼은 D-Lab Flow 공식 문서를 참고하세요.

1. 자동 생성된 클래스 목록 확인:
   • person, car, bicycle, aeroplane, boat, bus, cat, dog 등 20개 클래스
   • 각 클래스별 라벨 개수 확인

2. 어노테이션 통계 정보 확인:
   • 파일수, 라벨 개수, 클래스 수
   • 각 항목별 수량 확인

3.3 라벨링 검증 및 보완

업로드된 라벨링 정보를 검토하고 필요시 수정합니다.

라벨링 작업에 관한 상세 매뉴얼은 D-Lab Flow 공식 문서를 참고하세요.

1. 라벨링 작업 도구 접속

2. 시각적 검증:

   • 각 이미지의 바운딩 박스가 올바르게 표시되는지 확인
   • 클래스 라벨이 정확히 매칭되었는지 검토
   • 누락된 객체나 잘못된 라벨링이 있는지 점검

3. 수동 보완 작업 (필요시):

   • 마우스 드래그로 바운딩 박스 수정
   • 누락된 객체에 대한 라벨링 추가

4. 변경사항 저장: 수정 완료 후 반드시 업데이트 버튼 클릭

4. 프로젝트 및 버전 생성

4.1 AI 프로젝트 생성

데이터셋을 기반으로 실제 AI 모델 학습을 위한 프로젝트를 생성합니다.

프로젝트 생성에 관한 상세 매뉴얼은 D-Lab Flow 공식 문서를 참고하세요.

1. 프로젝트 메뉴로 이동
2. 프로젝트 생성 버튼 클릭
3. 프로젝트 설정:
   • 프로젝트명: VOC2012_객체탐지_실습
   • 프로젝트 타입: 객체 탐지 선택
   • 해시태그: 탐지모델, VOC, 초보자튜토리얼
   • 메모: PASCAL VOC 2012 객체 탐지 모델 개발

프로젝트 타입 선택

• 객체 탐지: 이미지 내 여러 객체의 위치와 클래스를 동시에 예측
• 이 튜토리얼에서는 객체 탐지를 사용합니다

4.데이터셋 연결: 앞서 생성한 "VOC2012_Detection" 데이터셋 선택

4.2 학습 버전 생성

프로젝트 내에서 구체적인 학습 설정을 담은 버전을 생성합니다.

학습 버전 생성에 관한 상세 매뉴얼은 D-Lab Flow 공식 문서를 참고하세요.

1. 생성된 프로젝트 상세 화면에서 버전 생성 버튼 클릭

2. 학습 파일 정보 확인

   • 선택된 데이터셋의 전체 이미지 수, 라벨 수, 클래스 수 등 요약 정보를 확인합니다.

3. 학습/시험 데이터 부할 확인

   • 기본값은 학습 80%, 검증 10%, 시험 10% 입니다.
   • 비율 재설정 버튼을 통해 원하는 비율로 조정할 수 있습니다.

4. 학습 데이터 증강 선택

   • 모델의 성능 향상을 위해 이미지에 다양한 증강(좌우 반전, 회전 등)을 적용할 수 있습니다.
   • 복수 선택 가능하며, 필요 시 체크박스를 활성화합니다.

5. 버전 생성 버튼 클릭

   • 모든 설정을 완료한 후 버전 생성을 클릭하여 새로운 버전을 생성합니다.

6. 데이터 전처리 진행 확인

   • 버전 생성 직후 자동으로 데이터 전처리가 시작되며, 진행 상태을 확인할 수 있습니다.
   • 전처리가 완료되어야 인공지능 학습을 시작할 수 있습니다.

4.3 상세 학습 설정

버전 생성 페이지에서 다양한 학습 옵션을 설정할 수 있습니다.

버전 생성에 관한 상세 매뉴얼은 D-Lab Flow 공식 문서를 참고하세요.

4.3.1 학습 파일 정보 확인

• 총 이미지 수: 17,125장 (실제 업로드된 수량에 따라 변동)
• 라벨 개수: 약 40,000개 (하나의 이미지에 여러 객체가 포함될 수 있음)
• 클래스 수: 20개

4.3.2 데이터 분할 설정 (기본값)

• 학습 데이터: 80% (모델 훈련용)
• 검증 데이터: 10% (훈련 중 성능 모니터링용)
• 테스트 데이터: 10% (최종 평가용)

데이터 분할 권장사항

• 학습 60%, 검증 20%, 테스트 20% : 데이터가 풍부한 경우 성능 평가를 더 정밀하게 하기 위해
• 학습 70%, 검증 20%, 테스트 10% : 데이터가 적은 경우 검증에 조금 더 많이 활용
• 초보자의 경우 기본 설정값 사용 권장

4.3.3 데이터 증강 옵션

학습 데이터의 다양성을 높이기 위한 증강 기법들을 선택할 수 있습니다:

• ✅ 좌우 반전 : 이미지를 좌우 반전 시킵니다.
• ✅ 상하 반전 : 이미지를 상하 반전 시킵니다.
• ✅ 이미지 90° 회전(우측) : 우측 90° 회전시킵니다.
• ✅ 이미지 180° 회전(우측) : 우측 180° 회전시킵니다.
• ✅ 이미지 270° 회전(우측) : 우측 270° 회전시킵니다.

4. 모든 설정 완료 후 버전 생성 버튼 클릭

5. 모델 학습 및 실시간 모니터링

5.1 학습 파라미터 설정

데이터 전처리가 완료되면 인공지능 학습 시작 버튼이 활성화됩니다.

학습 파라미터 설정에 관한 상세 매뉴얼은 D-Lab Flow 공식 문서를 참고하세요.

1. 모델 선택:

   • YOLO (권장): 객체 감지를 위한 신경망 기반 알고리즘으로, 이미지를 한 번에 처리하여 객체를 식별합니다.
   • EfficientDet: 다양한 크기와 자원 제약에 맞게 조정 가능하며 높은 정확도와 효율적인 계산 성능을 제공합니다.

2. 주요 하이퍼파라미터:

   • 배치 크기 (Batch Size): 16 (GPU 메모리에 따라 조정 가능)
   • 훈련 횟수 (Epochs): 50회 (초기 실습용, 충분한 학습을 위해서는 100+ 권장)

추천 배치 사이즈 (모델/데이터 기준)

모델	이미지 크기	추천 배치 크기
YOLOv5s	416×416	16~64
YOLOv5m	640×640	16~32
YOLOv5l	640×640	8~16
YOLOv5x	640×640	4~8

배치 크기가 클수록 학습 속도는 빨라지지만, 메모리 사용량도 함께 증가합니다. D-Lab Flow의 서버(GPU) 사양에 따라 사용 가능한 메모리가 제한되므로, 과도한 배치 크기 설정 시 학습 오류가 발생할 수 있습니다. 안정적인 학습을 위해 적절한 값을 설정해 주세요.

훈련 횟수 설정

모델 종류	기본 Epoch 수
YOLOv5	100 Epochs
YOLOv8	일반적으로 50~100 Epochs
MobileNet, EfficientDet 등	일반적으로 50~100 Epochs

• 데이터 양이 적다: 더 많은 epoch (100~300)
• 데이터가 많다 (수천 장 이상): 50~100이면 충분
• Overfitting 우려 있을 때: Early stopping 또는 50 이내로 제한
• 실시간 성능 모델 목적 (모바일, IoT): 30~50도 충분

하이퍼파라미터 설정 가이드

• 배치 크기: 클수록 학습 속도 향상, 하지만 메모리 사용량 증가
• 훈련 횟수: 너무 많으면 과적합, 너무 적으면 성능 저하
• 초보자는 기본값 사용 후 점진적으로 조정 권장

5.2 학습 시작 및 결과 확인

1. 학습 시작 버튼 클릭
2. 학습이 완료된 후, 추가 지표 탭에서 다음 정보를 확인할 수 있습니다:

✅ 검증 데이터 추론 결과

검증용 이미지에 대해 모델이 예측한 바운딩 박스와 신뢰도를 시각적으로 확인할 수 있습니다.

팁

추론 결과를 통해 모델이 실제 데이터를 얼마나 잘 인식하는지 직관적으로 판단할 수 있습니다.

📉 로스(Loss) 차트

Train Loss(파란색)와 Validation Loss(주황색)의 변화를 에폭 단위로 시각화합니다.

팁

일반적으로 두 값이 감소하는 방향이면 학습이 정상적으로 진행된 것입니다.

6. 모델 성능 평가 및 분석

6.1 기본 성능 지표

학습이 완료되면 모델 평가 메뉴에서 다양한 성능 지표를 확인할 수 있습니다.

모델 성능 평가에 관한 상세 매뉴얼은 D-Lab Flow 공식 문서를 참고하세요.

주요 성능 지표:

1. 평균 정밀도 (Mean Average Precision, mAP):

   • 전체 클래스에 대한 정밀도의 평균
   • 0.0 ~ 1.0 사이의 값, 높을수록 좋음
   • 일반적으로 0.5 이상이면 실용적인 성능

2. 정밀도 (Precision):

   • 모델이 Positive로 예측한 것 중 실제로 Positive인 비율
   • False Positive를 얼마나 잘 줄였는지를 나타냄
   • Precision = TP / (TP + FP)

3. 재현율 (Recall):

   • 실제 Positive 중에서 모델이 올바르게 Positive로 예측한 비율
   • False Negative를 얼마나 잘 줄였는지를 나타냄
   • Recall = TP / (TP + FN)

7. 모델 배포 및 실제 활용

7.1 모델 다운로드

학습이 완료된 모델을 실제 애플리케이션에서 사용하기 위해 다운로드 할 수 있습니다.

모델 다운로드에 관한 상세 매뉴얼은 D-Lab Flow 공식 문서를 참고하세요.