SLOW NOTES · CLEAR STRUCTURE
Learning, building, and documenting.
Lepton 3.5와 YOLO로 실내 재실 여부를 판단할 때, 열영상을 어떤 형태로 입력해야 할까?컬러맵, 합성곱, 사전 학습, 입력 일관성의 관점에서 그레이스케일을 선택한 이유를 정리해 보았다.앞선 YOLO 글에서는 열화상 영상을 같은 값의 3채널로 복제하는 방법과, 모델 자체를 실제 1채널 입력 구조로 바꾸는 방법을 구분했다. 이번에는 그보다 앞선 질문으로 돌아가 보려고 한다.열영상에 컬러맵을 적용하면, 모델도 사람처럼 대상을 더 쉽게 구분할 수 있을까?이 질문에 답하려면 두 가지를 나누어 생각해야 한다.하나는 입력에 담긴 측정 정보가 늘어나는가이고, 다른 하나는 그 정보를 주어진 모델이 더 쉽게 학습하는가이다.두 질문은 얼핏 보기에 비슷해 보이지만 같은 질문은 아니다.이번 Lepton 3.5 기반..
댓글
best.pt, last.pt, 체크포인트, resume=True, results.csv, args.yaml버전 메모이 글은 2026-09-09 최종 검증 기준 Ultralytics 공식 문서와 공개 구현을 직접 확인하면서 정리했다. optimizer=auto, cls_remap, 체크포인트 저장 형식, YOLO26의 nms/손실 이름처럼 구현에 가까운 부분은 버전에 따라 달라질 수 있다. 그래서 실제 실험에서는 ultralytics 버전, args.yaml, 학습 로그를 함께 확인해 두는 편이 좋다.학습 루프가 끝나면 단순히 "모델 하나"만 남는 것이 아니다.Ultralytics 학습 실행에는 보통 이런 산출물이 남는다.weights/best.ptweights/last.ptresults.csvargs...
댓글
data, epochs, batch, imgsz, workers, seed, deterministic, optimizer 이해하기버전 메모이 글은 2026-09-09 최종 검증 기준 Ultralytics 공식 문서와 공개 구현을 직접 확인하면서 정리했다. optimizer=auto, cls_remap, 체크포인트 저장 형식, YOLO26의 nms/손실 이름처럼 구현에 가까운 부분은 버전에 따라 달라질 수 있다. 그래서 실제 실험에서는 ultralytics 버전, args.yaml, 학습 로그를 함께 확인해 두는 편이 좋다.사전 학습된 모델을 불러왔다면 실제 학습은 보통 다음 한 줄에서 시작한다.results = model.train(...)하지만 이 함수에 넣는 값과 코드에 직접 쓰지 않아도 적용되는 U..
댓글
사전 학습(Pretraining), 전이 학습(Transfer Learning), 미세 조정(Fine-Tuning), 도메인 이동(Domain Shift) 이해하기 버전 메모이 글은 2026-09-09 최종 검증 기준 Ultralytics 공식 문서와 공개 구현을 직접 확인하면서 정리했다. optimizer=auto, cls_remap, 체크포인트 저장 형식, YOLO26의 nms/손실 이름처럼 구현에 가까운 부분은 버전에 따라 달라질 수 있다. 실제 실험에서는 ultralytics 버전, args.yaml, 학습 로그도 함께 확인해 두는 편이 좋다.현재 열화상 보행자 프로젝트에서는 YOLO26n을 처음부터 학습하지 않는다. 무작위 가중치에서 시작하는 대신, yolo26n.pt에 들어 있는 사전 학습 ..
댓글
STAL, P2 Head와 열화상 보행자 탐지로 이해하는 Small Object Detection앞의 두 글에서는 YOLO가 특징을 만들고 박스를 예측하는 과정, 그리고 YOLO26의 Dual Head와 label assignment를 살펴봤다.이번에는 현재 열화상 보행자 검출 프로젝트에서 특히 중요하게 느껴졌던 작은 객체(small object) 문제를 중심으로 정리해 본다.예를 들어 높이 20px인 보행자를 feature spacing 기준으로 단순하게 계산해 보면 다음과 같다.P2 / stride 4 → 20 / 4 = 5P3 / stride 8 → 20 / 8 = 2.5P4 / stride 16 → 20 / 16 = 1.25P5 / stride 32 → 20 / 32 = 0.625물론 st..
댓글
예측 후보 수, NMS, Dual Head, DFL-Free, Label Assignment와 Progressive Loss이전 글에서는 YOLO가 Backbone → Neck → Detection Head → Decode 흐름으로 객체를 검출하는 큰 구조를 살펴봤다.이번 글에서는 현재 YOLO26의 Detect Head와 학습 구조를 한 단계 더 깊게 따라가 본다.정리하면서 계속 궁금했던 건 다음 부분이었다.왜 P3/P4/P5에서는 수천 개의 예측 후보가 생길까?왜 기존 경로에서는 NMS가 필요할까?YOLO26은 왜 one-to-many와 one-to-one 두 head를 사용할까?DFL-Free인데 왜 설정에는 dfl이라는 이름이 남아 있을까?어떤 prediction을 positive로 학습시킬지는 ..
댓글
[YOLO 기초 1] YOLO는 어떻게 객체를 찾을까?Backbone, Neck, Detection Head로 이해하는 YOLO의 기본 검출 흐름앞에서는 CNN이 이미지에서 특징을 만드는 기본 원리를 살펴봤다.이제 다시 YOLO로 돌아가보자.YOLO는 You Only Look Once에서 시작된 이름으로, 하나의 신경망 파이프라인 안에서 이미지의 특징을 추출하고 객체의 위치와 클래스를 예측하는 실시간 객체 탐지 계열 모델이다.이번 글에서는 먼저 YOLO 계열의 큰 흐름부터 잡아보려고 한다. 세부 구현은 현재 사용하는 YOLO26을 예시로 설명하지만, 핵심 목표는 이미지가 Backbone → Neck → Detection Head → Decode를 거쳐 검출 결과가 되는 과정을 이해하는 것이다.이미지 ↓B..
댓글
YOLO 객체 탐지 학습오늘 배운 내용지금까지 다룬 이미지 모델은 그저 분류(Classification) 였다. 그런데 대게 실제 서비스에서 필요한 것은 대개 여기서 한 걸음 더 나간 질문이다. 사진 안에 무엇이, 어디에, 몇 개나 있는가. 이것이 객체 탐지(Object Detection) 이고, 오늘은 그중 실시간 처리에 가장 널리 쓰이는 YOLO(You Only Look Once) 를 다뤄보았다.질문답기존 방식은 왜 느렸는가영역 후보를 뽑고 하나씩 분류해서 — 한 장에 CNN을 수백 번YOLO는 무엇을 다르게 하는가그리드로 나눠 위치, 신뢰도, 클래스를 한 번에 예측모델은 무엇을 최소화하는가위치 오차 + 신뢰도 오차 + 분류 오차를 합친 Loss박스가 여러 개 나오면NMS로 겹치는 것 중 최고점만 남..
댓글