KickSense YOLO Training

⚽️ 축구공 탐지를 위한 YOLO 모델 파인튜닝 프로젝트

이 저장소는 KickSense 프로젝트의 축구공 탐지 성능을 향상시키기 위해 YOLO 모델을 커스텀 데이터셋으로 파인튜닝하는 코드를 포함합니다.

📁 프로젝트 구조

KickSense_yolo-training/
├── README.md                    # 프로젝트 설명서
├── fine_tuning.ipynb           # 🧪 YOLO 파인튜닝 메인 노트북
├── data.yaml                   # 📊 YOLO 데이터셋 설정 파일
├── ball_yolom.pt              # 🎯 훈련된 YOLO Medium 모델
├── ball_yolos.pt              # 🎯 훈련된 YOLO Small 모델
├── train/                      # 📂 훈련 데이터셋
│   ├── images/                # 훈련용 이미지들
│   ├── labels/                # YOLO 형식 라벨 파일들
│   └── labels.cache          # 라벨 캐시 파일
├── val/                       # 📂 검증 데이터셋
│   ├── images/                # 검증용 이미지들
│   └── labels/                # 검증용 라벨 파일들
└── runs/                      # 🏃‍♂️ 훈련 결과 및 로그

🎯 프로젝트 목표

• 축구공 탐지 정확도 향상: 다양한 촬영 환경에서의 축구공 탐지 성능 최적화
• 실시간 처리: 모바일 및 웹 환경에서 실시간 분석이 가능한 경량화된 모델 개발
• 강건성 확보: 다양한 조명, 각도, 배경에서도 안정적인 탐지 성능 보장

📊 데이터셋 정보

데이터셋 구성

• 클래스: 1개 (축구공)
• 훈련 데이터: 9,615개 이미지
• 검증 데이터: 2,686개 이미지
• 라벨 형식: bounding box

데이터셋 특징

• 다양한 촬영 각도의 축구공 이미지
• 실제 킥 동작 중 캡처된 프레임들
• 다양한 조명 조건 및 배경 환경

🚀 사용 방법

1. 환경 설정

# 의존성 설치
pip install ultralytics
pip install opencv-python
pip install matplotlib
pip install pandas

2. 훈련 실행

# fine_tuning.ipynb 노트북 실행
# 또는 명령어로 직접 훈련
from ultralytics import YOLO

# 모델 로드
model = YOLO('yolov8m.pt')  # YOLOv8 Medium 사용

# 훈련 실행
results = model.train(
    data='data.yaml',
    epochs=50,
    imgsz=960,
    batch=6,
    lr0=0.0005,
    name='ball_detection'
)

3. 모델 평가

# 훈련된 모델로 평가
model = YOLO('ball_yolom.pt')
metrics = model.val()
print(f"mAP50: {metrics.box.map50}")
print(f"mAP50-95: {metrics.box.map}")

📈 모델 성능

ball_yolos.pt (YOLOv8s)

• mAP@0.5: 0.95
• mAP@0.5:0.95: 0.95
• 추론 속도: ~15ms (GPU 기준)
• 모델 크기: ~25MB
• Best Epoch: 훈련 과정에서 최적 성능 달성

ball_yolom.pt (YOLOv8m)

• 추론 속도: ~20ms (GPU 기준)
• 모델 크기: ~50MB
• 안정적인 성능: 다양한 환경에서 일관된 탐지 성능

평가 지표 요약

• Precision: 높은 정밀도로 false positive 최소화
• Recall: 뛰어난 재현율로 축구공 놓치는 경우 최소화
• F1-score: Precision과 Recall의 조화평균으로 전체적인 성능 평가

🔧 훈련 설정

하이퍼파라미터

epochs: 50
batch_size: 6
learning_rate: 0.0005
image_size: 960
optimizer: AdamW
augmentation: true

모델 아키텍처

• YOLOv8s: 빠른 추론 속도를 위한 Small 버전
• YOLOv8m: 정확도와 속도의 균형을 맞춘 Medium 버전

데이터 증강

• 회전, 스케일링, 크롭
• 밝기 및 대비 조정
• 노이즈 추가
• 좌우 반전

📁 파일 설명

fine_tuning.ipynb

• YOLO 모델 훈련의 전체 과정을 담은 주요 노트북
• 데이터 전처리부터 모델 평가까지의 완전한 파이프라인
• 훈련 과정 시각화 및 결과 분석

data.yaml

• YOLO 훈련을 위한 데이터셋 설정 파일
• 훈련/검증 데이터 경로 및 클래스 정보 정의

ball_yolom.pt / ball_yolos.pt

• 훈련 완료된 YOLO 모델 파일들
• KickSense 백엔드 서버에서 축구공 탐지에 사용

🔗 관련 프로젝트

• KickSense_SoccerKickAnalyzer: 메인 백엔드 서버
• KickSense_Flutter: 모바일 앱 (예정)

📊 훈련 결과 분석

데이터셋 통계

• 총 훈련 이미지: 9,615장
• 총 검증 이미지: 2,686장
• 이미지 해상도: 960x960 픽셀
• 배치 크기: 6

손실 함수 변화

• Box Loss: 바운딩 박스 위치 정확도
• Class Loss: 분류 정확도
• DFL Loss: Distribution Focal Loss

최종 성능 지표

• mAP@0.5: 0.95 (95% 정확도)
• mAP@0.5:0.95: 0.95 (다양한 IoU 임계값에서 일관된 성능)
• 학습률: 0.0005로 안정적 수렴
• 에포크: 50회 훈련으로 최적 성능 달성

🛠️ 개발 환경

• Framework: Ultralytics YOLOv8
• Python: 3.8+
• GPU: CUDA 지원 권장
• 메모리: 최소 8GB RAM

📞 문의

• 이윤환
• 이메일: lyh516@naver.com
• 프로젝트 관련 문의는 Issues 탭 활용

---

⚽️ KickSense Team - AI로 축구 실력 향상을 돕습니다