codex-native yolo 데이터셋과 어떤 레이블링되지 않은(unlabeled) 데이터에도 적용할 수 있는 훈련 에이전트 스킬을 제공합니다. codex 스킬은 데이터를 어떻게 적절하게 레이블링하고 분할해야 하는지 결정하는 데 도움을 줍니다.

flowchart LR
A["데이터 소스 (어떤 비레이블링 데이터)"] --> B["수집(collect)"]
B --> C["레이블링(label)"]
...

• 스킬 런타임: codex 스킬<br>- 파이프라인 스킬:<br>collect, label, augment, train, eval, yolodex<br>- 오케스트레이션 루프:<br>yolodex.sh + AGENTS.md<br>- 공유 유틸리티: shared/utils.py

git clone https://github.com/qtzx06/yolodex && cd yolodex
bash setup.sh

필수 요구사항:

• macos, linux 또는 windows<br>- python 3.11 이상<br>- codex cli (최신 버전 — 포크된 스킬 컨텍스트 및 개별 스킬 모델 오버라이드 지원)

• 리포지토리 루트에서 codex 시작하기<br>- 설정을 수집하고 필요할 때 서브 에이전트로 레이블링을 실행하는 yolodex 스킬 사용하기<br>- eval 목표가 충족될 때까지 반복하기

예시:

$ codex
> use the yolodex skill to train a detector from this video: https://youtube.com/...
> classes: player, weapon, vehicle

codex는 데이터셋 크기에 따라 레이블링을 위해 몇 개의 서브 에이전트를 생성할지 결정합니다:
bash .agents/skills/label/scripts/dispatch.sh <n>

자율 루프:
bash yolodex.sh

수동 스킬 실행:

uv run .agents/skills/collect/scripts/run.py
bash .agents/skills/label/scripts/dispatch.sh 4
uv run .agents/skills/augment/scripts/run.py
...

최소 config.json:

{
"project": "my-project",
"video_url": "https://youtube.com/watch?v=YOUR_VIDEO",
...
}

주요 필드:

• eval:
  runs/<project>/eval_results.json

• frames:
  runs/<project>/frames/

• label previews:
  runs/<project>/frames/preview/

• trained weights:
  runs/<project>/weights/best.pt

yolodex/
├── .agents/skills/
│ ├── yolodex/
...

기여(contributions)를 환영합니다.

표준 절차(standard flow):

• 저장소(repo)를 포크(fork)하고 main 브랜치로부터 새로운 브랜치를 생성하세요.

• 변경 사항의 범위를 제한하고, 풀 리퀘스트(PR) 작성 시 그 이유를 설명하세요.

• PR을 열기 전에 관련 체크(checks)를 실행하세요.

• 다음 내용을 포함하여 풀 리퀘스트(pull request)를 생성하세요:

  • 명확한 요약
  • 테스트/검증(validation) 노트
  • 관련 있는 경우 스크린샷 또는 로그 스니펫(log snippets)

더 큰 규모의 변경을 계획 중이라면, 방향성을 맞출 수 있도록 먼저 이슈(issue)를 생성해 주세요.

MIT

OpenAI에서 사랑을 담아 만들었습니다 ♡