얼굴 인식을 위한 딥러닝 모델: YOLO vs YOLO-CLS

- YOLO와 YOLO-CLS는 Ultralytics라는 회사에서 개발한 이미지 학습 모델
- YOLO는 객체 탐지, YOLO-CLS는 이미지 분류를 위한 모델로 서로 다른 기능을 수행
- 학습 전 각 모델이 요구하는 데이터셋 구조를 적절히 준비하는 것이 중요

Home

→ Ultralytics 홈페이지 바로가기

 

 

YOLO

YOLO: You Only Look Once

실시간 다중 객체 탐지 모델(클래스, 위치 동시 반환) 

Detect

→ YOLO 모델 홈페이지

 

 

주요기능

• Bounding Box 예측: 객체의 위치를 나타내는 경계 상자를 출력
• 다중 클래스 탐지: 여러 객체의 종류를 한 번에 탐지
• 실시간 처리: 이미지 전체를 한 번에 분석하여 빠르게 탐지

 

데이터 셋 구조

출처: Ultralytics

• data.yaml 파일: 데이터 셋 구성 정의

train: path/train/images
val: path/val/images
test: path/test/images  # (optional)

nc: 클래스 개수

names:
  - class1
  - class2 
  - class3
  ...

 

• hyp.yaml 파일: 하이퍼파라미터 정의

ultralytics/docs/en/guides/hyperparameter-tuning.md at main · ultralytics/ultralytics

 

• 이미지 파일: 학습 데이터용, 검증 데이터용 이미지
• 라벨 파일: 학습 데이터에 대한 라벨, 검증 데이터에 대한 라벨 → Bounding Box 정보

<클래스 ID> <중심 X> <중심 Y> <너비> <높이>

 

 

YOLO-CLS

이미지 분류 모델
→ YOLO처럼 이미지 내에 있는 여러 객체를 탐지하는 것이 아니라 각 이미지를 하나의 클래스에 할당

Classify

→ YOLO-CLS 모델 홈페이지

 

 

데이터 셋 구조

|-- train/
|   |-- img1/
|   |-- img2/
|   |-- img3/
|   ...
|-- test/
|   |-- img1/
|   |-- img2/
|   |-- img3/
|   ...
|-- val/ (optional)
|   |-- img1/
|   |-- img2/
|   |-- img3/
|   ...