14분
하이퍼파라미터 튜닝: epochs, lr, augmentation
Day 3: YOLO 객체 탐지
하이퍼파라미터 튜닝: epochs, lr, augmentation
비전 AI 외관검사 > Day 3: YOLO 객체 탐지
학습 목표
- YOLO11 학습의 핵심 하이퍼파라미터를 이해한다
- 하이퍼파라미터 조합 실험을 체계적으로 수행할 수 있다
- 제조 데이터에 맞는 증강 설정을 조정할 수 있다
YOLO11 하이퍼파라미터 튜닝
핵심 하이퍼파라미터
| 파라미터 | 기본값 | 범위 | 설명 |
|---|---|---|---|
| epochs | 100 | 50~300 | 학습 반복 횟수 |
| lr0 | 0.01 | 0.001~0.1 | 초기 학습률 |
| batch | 16 | 8~64 | 배치 크기 |
| imgsz | 640 | 416~1280 | 입력 이미지 크기 |
| mosaic | 1.0 | 0~1 | 모자이크 증강 확률 |
| hsv_h | 0.015 | 0~0.1 | 색상(Hue) 변화 |
| flipud | 0.0 | 0~1 | 상하 반전 확률 (기본은 꺼져 있다) |
| fliplr | 0.5 | 0~1 | 좌우 반전 확률 (기본으로 켜져 있다) |
기본값을 잘못 알면 "기본 증강을 끄려면 무엇을 만져야 하는가"를 찾지 못한다.
Ultralytics 기본 설정은 flipud: 0.0, fliplr: 0.5 다.
방향이 의미를 갖는 검사(글자·마킹 판독, 위아래가 정해진 부품)에서는 fliplr 도 0 으로 내린다.
에디터 로딩 중...
핵심 포인트
- • 체계적 실험: 한 번에 하나의 파라미터만 변경하여 영향 확인
- • 이미지 크기(imgsz): 작은 결함이면 1280, 큰 결함이면 640
- • 학습률: Transfer Learning이면 기본값(0.01)보다 낮은 0.001 시작
- • Early stopping(patience)으로 불필요한 학습 방지
AI로 학습하기 — 꿀팁
YOLO 하이퍼파라미터 선택 근거 질문AI 학습 팁
AI에게 제조 불량 탐지 YOLO 학습에서 lr·epochs·augmentation 조합의 선택 기준을 질문해 실험 설계를 개선하세요.
제조 PCB 표면 불량 탐지 YOLO11 학습에서 초기 학습률, warmup epochs, 모자이크 증강 비활성화 여부 결정 기준을 설명해줘. 불량 샘플이 전체 이미지의 5% 미만인 상황에서 학습률 스케줄러(cosine vs linear) 선택과 early stopping patience 값 설정 근거도 알려줘.
이 팁이 도움이 됐나요?