Ultralytics YOLOv5#

개요#

YOLOv5u는 객체 탐지 방법론의 발전을 보여줍니다. Ultralytics가 개발한 YOLOv5 모델의 기본 아키텍처를 바탕으로 한 YOLOv5u는 YOLOv8 모델에 처음 도입된 앵커 프리·객체성 프리 분할 헤드를 통합합니다. 이러한 적용을 통해 모델 아키텍처를 개선하여 객체 탐지 작업에서 정확도와 속도의 균형을 향상했습니다. 경험적 결과와 파생된 기능을 바탕으로 YOLOv5u는 연구 및 실제 애플리케이션 모두에서 견고한 솔루션을 찾는 사용자에게 효율적인 대안을 제공합니다.

주요 기능#

• 앵커 프리 분할 Ultralytics 헤드: 기존 객체 탐지 모델은 객체 위치를 예측할 때 사전에 정의된 앵커 박스에 의존합니다. 그러나 YOLOv5u는 이러한 접근 방식을 현대화합니다. 앵커 프리 분할 Ultralytics 헤드를 채택해 더욱 유연하고 적응력 있는 탐지 메커니즘을 구현하고, 이에 따라 다양한 시나리오에서 성능을 향상합니다.

• 최적화된 정확도와 속도의 균형: 속도와 정확도는 서로 상충하는 경우가 많습니다. 하지만 YOLOv5u는 이러한 균형에 도전합니다. 정확도를 저해하지 않으면서 실시간 탐지를 보장하는 조정된 균형을 제공합니다. 이 기능은 자율 주행 차량, 로보틱스, 실시간 비디오 분석처럼 신속한 응답이 필요한 애플리케이션에서 특히 유용합니다.

• 다양한 사전 학습 모델: 작업마다 필요한 도구가 다르다는 점을 고려해 YOLOv5u는 다양한 사전 학습 모델을 제공합니다. 추론, 검증 또는 학습에 집중하든 각 용도에 맞게 설계된 모델을 사용할 수 있습니다. 이러한 다양성 덕분에 모든 상황에 같은 솔루션을 사용하는 대신, 고유한 과제에 맞춰 미세 조정된 모델을 사용할 수 있습니다.

지원 작업 및 모드#

다양한 사전 학습 가중치를 사용하는 YOLOv5u 모델은 객체 탐지 작업에서 뛰어난 성능을 발휘합니다. 다양한 모드를 폭넓게 지원하므로 개발부터 배포까지 여러 애플리케이션에 적합합니다.

이 표에서는 YOLOv5u 모델 변형을 자세히 살펴보고, 객체 탐지 작업에 대한 적용 가능성과 추론, 검증, 학습, 내보내기 등 다양한 운영 모드의 지원 여부를 강조합니다. 이러한 포괄적인 지원을 통해 사용자는 다양한 객체 탐지 시나리오에서 YOLOv5u 모델의 기능을 최대한 활용할 수 있습니다.

성능 지표#

사용 예시#

이 예제에서는 간단한 YOLOv5 학습 및 추론 예제를 제공합니다. 이러한 예제와 다른 모드에 관한 전체 문서는 Predict, Train, Val, Export 문서 페이지를 참조하세요.

from ultralytics import YOLO

# COCO 사전 학습 YOLOv5nu 모델 로드
model = YOLO("yolov5nu.pt")

# 모델 정보 표시(선택 사항)
model.info()

# COCO8 예제 데이터셋으로 100 에포크 동안 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 'bus.jpg' 이미지에서 YOLOv5nu 모델로 추론 실행
results = model("path/to/bus.jpg")

인용 및 감사의 글#

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

@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 라이선스에 따라 제공됩니다.

자주 묻는 질문#