Ultralytics YOLOv5

개요

YOLOv5u는 객체 탐지 방법론의 발전을 나타냅니다. Ultralytics에서 개발한 YOLOv5 모델의 기본 아키텍처에서 유래한 YOLOv5u는 이전에 YOLOv8 모델에서 소개된 앵커 프리(anchor-free), 오브젝트니스 프리(objectness-free) 스플릿 헤드(split head)를 통합했습니다. 이 적응형 아키텍처는 모델의 구조를 개선하여 객체 탐지 작업에서 정확도와 속도의 균형을 향상시켰습니다. 실증적인 결과와 파생된 기능들을 고려할 때, YOLOv5u는 연구 및 실제 응용 분야 모두에서 강력한 솔루션을 찾는 사용자들에게 효율적인 대안을 제공합니다.

주요 특징

• 앵커 프리 스플릿 Ultralytics 헤드: 전통적인 객체 탐지 모델은 객체 위치를 예측하기 위해 미리 정의된 앵커 박스에 의존합니다. 하지만 YOLOv5u는 이 접근 방식을 현대화했습니다. 앵커 프리 스플릿 Ultralytics 헤드를 채택함으로써 더욱 유연하고 적응력 있는 탐지 메커니즘을 보장하며, 결과적으로 다양한 시나리오에서 성능을 향상시킵니다.

• 최적화된 정확도-속도 트레이드오프: 속도와 정확도는 흔히 반대 방향으로 작용합니다. 그러나 YOLOv5u는 이러한 트레이드오프에 도전합니다. 이 모델은 정확도를 희생하지 않으면서 실시간 탐지를 보장하는 조정된 균형을 제공합니다. 이 기능은 자율 주행 차량, 로봇 공학, 실시간 비디오 분석과 같이 신속한 응답이 필요한 응용 분야에서 특히 귀중합니다.

• 다양한 사전 학습 모델: 작업마다 필요한 툴셋이 다르다는 점을 이해하여, YOLOv5u는 수많은 사전 학습 모델을 제공합니다. 추론(Inference), 검증(Validation), 학습(Training) 중 무엇을 수행하든, 귀하를 위한 맞춤형 모델이 준비되어 있습니다. 이러한 다양성은 범용적인 솔루션 사용에 그치지 않고 귀하의 고유한 과제에 맞게 정밀하게 튜닝된 모델을 사용할 수 있음을 보장합니다.

지원되는 작업 및 모드

다양한 사전 학습 가중치를 가진 YOLOv5u 모델은 객체 탐지 작업에서 탁월한 성능을 발휘합니다. 이 모델들은 포괄적인 모드를 지원하여 개발부터 배포까지 다양한 응용 분야에 적합합니다.

이 표는 YOLOv5u 모델 변형에 대한 상세한 개요를 제공하며, 객체 탐지 작업에서의 적용 가능성과 추론, 검증, 학습, 내보내기와 같은 다양한 운영 모드에 대한 지원을 강조합니다. 이러한 포괄적인 지원을 통해 사용자는 광범위한 객체 탐지 시나리오에서 YOLOv5u 모델의 기능을 완전히 활용할 수 있습니다.

성능 지표

사용 예시

이 예제는 간단한 YOLOv5 학습 및 추론 사례를 제공합니다. 이들에 대한 전체 문서와 기타 모드에 대해서는 예측(Predict), 학습(Train), 검증(Val) 및 내보내기(Export) 문서 페이지를 참조하십시오.

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv5n model
model = YOLO("yolov5n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLOv5n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

인용 및 감사의 글

연구에서 YOLOv5 또는 YOLOv5u를 사용하는 경우, 다음과 같이 Ultralytics YOLOv5 저장소를 인용해 주십시오:

@software{yolov5,
  title = {Ultralytics YOLOv5},
  author = {Glenn Jocher},
  year = {2020},
  version = {7.0},
  license = {AGPL-3.0},
  url = {https://github.com/ultralytics/yolov5},
  doi = {10.5281/zenodo.3908559},
  orcid = {0000-0001-5950-6979}
}

YOLOv5 모델은 AGPL-3.0 및 Enterprise 라이선스 하에 제공됨을 유의하십시오.

자주 묻는 질문(FAQ)

Ultralytics YOLOv5u란 무엇이며 YOLOv5와 어떻게 다른가요?

Ultralytics YOLOv5u는 YOLOv5의 고급 버전으로, 실시간 객체 탐지 작업의 정확도-속도 트레이드오프를 향상시키는 앵커 프리, 오브젝트니스 프리 스플릿 헤드를 통합했습니다. 기존 YOLOv5와 달리 YOLOv5u는 앵커 프리 탐지 메커니즘을 채택하여 다양한 시나리오에서 더욱 유연하고 적응력 있게 작동합니다. 기능에 대한 자세한 정보는 YOLOv5 개요를 참조할 수 있습니다.

앵커 프리 Ultralytics 헤드가 YOLOv5u에서 객체 탐지 성능을 어떻게 향상시키나요?

YOLOv5u의 앵커 프리 Ultralytics 헤드는 사전 정의된 앵커 박스에 대한 의존성을 제거함으로써 객체 탐지 성능을 향상시킵니다. 그 결과 다양한 객체 크기와 형태를 더욱 효율적으로 처리할 수 있는 유연하고 적응적인 탐지 메커니즘을 구현합니다. 이 개선 사항은 정확도와 속도 간의 균형 잡힌 트레이드오프에 직접 기여하여, YOLOv5u가 실시간 응용 분야에 적합하도록 만듭니다. 아키텍처에 대한 자세한 내용은 핵심 기능 섹션을 참조하십시오.

다양한 작업 및 모드에 사전 학습된 YOLOv5u 모델을 사용할 수 있나요?

네, 객체 탐지와 같은 다양한 작업에 사전 학습된 YOLOv5u 모델을 사용할 수 있습니다. 이 모델들은 추론, 검증, 학습 및 내보내기를 포함한 여러 모드를 지원합니다. 이러한 유연성을 통해 사용자는 다양한 운영 요구 사항 전반에 걸쳐 YOLOv5u 모델의 기능을 활용할 수 있습니다. 자세한 개요는 지원되는 작업 및 모드 섹션을 확인하십시오.

다양한 플랫폼에서 YOLOv5u 모델의 성능 메트릭은 어떻게 비교되나요?

YOLOv5u 모델의 성능 메트릭은 사용되는 플랫폼과 하드웨어에 따라 다릅니다. 예를 들어, YOLOv5nu 모델은 COCO 데이터셋에서 34.3 mAP를 달성하며, CPU(ONNX)에서 73.6 ms, A100 TensorRT에서 1.06 ms의 속도를 기록합니다. 다양한 YOLOv5u 모델에 대한 상세한 성능 메트릭은 성능 메트릭 섹션에서 확인할 수 있으며, 이 섹션은 다양한 장치 전반에 걸친 포괄적인 비교를 제공합니다.

Ultralytics Python API를 사용하여 어떻게 YOLOv5u 모델을 학습할 수 있나요?

사전 훈련된 모델을 로드하고 데이터셋으로 학습 명령을 실행하여 YOLOv5u 모델을 학습시킬 수 있습니다. 간단한 예시는 다음과 같습니다:

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv5n model
model = YOLO("yolov5n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

더 자세한 지침은 사용 예시 섹션을 참조하십시오.