GAFlow

환경 셋업 (Conda + 의존성)

Conda 환경 생성부터 의존성 일괄 설치까지 한 번에 수행합니다.
사전 요구: Miniconda 또는 Anaconda 설치 후 conda가 PATH에 있어야 합니다.

# Windows (PowerShell) - 프로젝트 루트에서
Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass
.\scripts\setup_env.ps1

# Linux / macOS (Bash)
bash scripts/setup_env.sh

옵션

옵션	설명
--dry-run	실제 실행 없이 수행할 명령만 출력
--verbose	상세 로그 출력
--recreate	기존 환경 삭제 후 새로 생성

예: .\scripts\setup_env.ps1 -Verbose -Recreate / bash scripts/setup_env.sh --verbose --recreate

셋업 후 활성화: conda activate gaflow

---

데이터셋

1. 사람 + 안전조끼(산업안전/CCTV 근접) YOLO HighVis and Person Detection Dataset: https://www.kaggle.com/datasets/tudorhirtopanu/yolo-highvis-and-person-detection-dataset

2. 차량 여러 종류 (승용차, 트럭, 버스, 오토바이 등) Vehicle Detection 8 Classes https://datasetninja.com/vehicle-detection-8-classes

3. bdd100k bdd100k https://www.kaggle.com/datasets/solesensei/solesensei_bdd100k

• 사람 + 차량 + 오토바이
• YOLO 학습용으로 바로 쓰기 좋음
• 일부만 받아도 수 GB 수준으로 컷 가능

Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass
.\scripts\download_datasets.ps1

MLflow 실험 관리

MLflow를 사용하여 YOLO 모델 학습 실험을 추적하고 관리합니다.

구조

gaflow/
├── MLproject              # MLflow 프로젝트 정의
├── conda.yaml            # Conda 환경 설정
└── mlflow_experiments/   # 실험 스크립트
    ├── exp_baseline.py      # 실험 1: 기본 파라미터
    ├── exp_hyperparams.py   # 실험 2: 하이퍼파라미터 튜닝
    ├── exp_model_size.py    # 실험 3: 모델 크기 비교
    ├── run_experiments.ps1  # Windows 실행 스크립트
    └── run_experiments.sh   # Linux/Mac 실행 스크립트

실험 실행

개별 실험 실행

# 실험 1: 기본 파라미터
mlflow run . -e experiment_baseline -P epochs=5 -P batch_size=16 -P model_size=yolov8n

# 실험 2: 하이퍼파라미터 튜닝
mlflow run . -e experiment_hyperparams -P epochs=10 -P batch_size=32 -P learning_rate=0.01 -P model_size=yolov8s

# 실험 3: 모델 크기 비교
mlflow run . -e experiment_model_size -P epochs=5 -P batch_size=16 -P model_size=yolov8m

모든 실험 일괄 실행

# Windows
.\mlflow_experiments\run_experiments.ps1

# Linux/Mac
bash mlflow_experiments/run_experiments.sh

실험 결과 확인

# MLflow UI 실행
mlflow ui

# Windows에서 WinError 10022 (sock.listen) 발생 시: workers를 1로 제한
mlflow server --host 127.0.0.1 --port 5000 --workers 1
# 또는 스크립트 사용 (프로젝트 루트의 mlruns 사용): .\scripts\mlflow_ui_win.ps1

# 실험이 안 보이면: 서버를 프로젝트 루트(c:\workspace\gaflow)에서 실행했는지 확인.
# experiments/yolo11n_bytetrack.py 는 프로젝트 루트의 mlruns/ 에 로깅하며,
# UI에서는 Experiments 목록에서 "yolo-bytetrack" 실험을 선택해 Run을 확인할 수 있음.

# 브라우저에서 확인
# http://localhost:5000

실험 시나리오

1. 기본 파라미터 실험 (experiment_baseline)

   • 기본 설정으로 모델 학습
   • 파라미터: epochs, batch_size, model_size

2. 하이퍼파라미터 튜닝 (experiment_hyperparams)

   • 학습률, 배치 크기 등 하이퍼파라미터 조정
   • 파라미터: epochs, batch_size, learning_rate, model_size

3. 모델 크기 비교 (experiment_model_size)

   • 다양한 모델 크기(nano, small, medium, large) 성능 비교
   • 파라미터: epochs, batch_size, model_size

추적되는 메트릭

• 학습 손실: train/box_loss, train/cls_loss, train/dfl_loss
• 검증 메트릭: val/mAP50, val/mAP50-95, val/precision, val/recall
• 하이퍼파라미터: 모든 학습 파라미터
• 모델 아티팩트: 학습된 모델 파일