• https://github.com/ultralytics/ultralytics(YOLO), https://github.com/THU-MIG/yolov10, https://github.com/Deci-AI/super-gradients(YOLO-NAS) → 세부 모델(파라미터 수 별로 선택지가 있음)은 기기 스펙과 성능 목표에 맞춰 결정
  • medium까지는 성능차이가 꽤 심해서 속도가 너무 안나오는 것 아니면 medium 이상의 모델을 사용해야할 것 같음
  • ultralytics 통해서 YOLO 학습할 때 single_cls flag도 있는거보면 single class object detection에서도 YOLO 잘 쓰나봄 https://github.com/ultralytics/ultralytics/issues/6183
• 다른 데이터셋에 pretrain? → ultralytics에서 제공되는 pretrained 모델 사용하자
• https://docs.ultralytics.com/modes/train/#augmentation-settings-and-hyperparameters Ultralytics에서 기본적으로 제공하는 augmentation 목록인데, shear 같이 어쩌면 우리한테는 안하는게 나을 수 있는 augmentation도 있으니 살펴보고 제외할 건 제외하자
  • Ultralytics augmentation 방식 이미지의 색을 조정하거나 회전, 뒤집기, 크기를 바꾸는 등의 방식을 통해 학습 데이터를 증강시킴
• 실험관리 - WandB, MLflow
  • ultralytics와 MLflow가 integration 되어 있고, 회사 내 다른 프로젝트에서 MLflow를 사용한 경험도 있으니 MLflow가 적합할 것으로 보인다.
• 여차하면 맥으로 학습 가능 (느리긴 한데 mps 지원함)
• https://github.com/obss/sahi/blob/main/demo/inference_for_yolov8.ipynb 전체 이미지 대비 오브젝트의 크기가 작은 경우에는 sliced inference를 하는 것이 좋을 수 있음