YOLOv5
κ°μ
YOLOv5u represents an advancement in object detection methodologies. Originating from the foundational architecture of the YOLOv5 model developed by Ultralytics, YOLOv5u integrates the anchor-free, objectness-free split head, a feature previously introduced in the YOLOv8 models. This adaptation refines the model's architecture, leading to an improved accuracy-speed tradeoff in object detection tasks. Given the empirical results and its derived features, YOLOv5u provides an efficient alternative for those seeking robust solutions in both research and practical applications.
μ£Όμ κΈ°λ₯
-
μ΅μ»€ ν리 λΆν Ultralytics ν€λ: κΈ°μ‘΄μ κ°μ²΄ κ°μ§ λͺ¨λΈμ μ¬μ μ μλ μ΅μ»€ λ°μ€μ μμ‘΄νμ¬ κ°μ²΄ μμΉλ₯Ό μμΈ‘ν©λλ€. νμ§λ§ YOLOv5uλ μ΄λ¬ν μ κ·Ό λ°©μμ νλνν©λλ€. μ΅μ»€ ν리 λΆν Ultralytics ν€λλ₯Ό μ±νν¨μΌλ‘μ¨ λ³΄λ€ μ μ°νκ³ μ μμ μΈ κ°μ§ λ©μ»€λμ¦μ 보μ₯νμ¬ κ²°κ³Όμ μΌλ‘ λ€μν μλ리μ€μμ μ±λ₯μ ν₯μμν΅λλ€.
-
μ΅μ νλ μ νλ-μλ νΈλ μ΄λ μ€ν: μλμ μ νλλ μ’ μ’ μλ‘ λ°λ λ°©ν₯μΌλ‘ μμ§μ λλ€. νμ§λ§ YOLOv5uλ μ΄ νΈλ μ΄λμ€νμ λμ ν©λλ€. μ΄ μ νμ 보μ λ λ°Έλ°μ€λ₯Ό μ 곡νμ¬ μ νλ μ ν μμ΄ μ€μκ° κ°μ§λ₯Ό 보μ₯ν©λλ€. μ΄ κΈ°λ₯μ νΉν μμ¨ μ£Όν μ°¨λ, λ‘λ΄ κ³΅ν, μ€μκ° λΉλμ€ λΆμκ³Ό κ°μ΄ μ μν μλ΅μ μꡬνλ μ ν리μΌμ΄μ μ λ§€μ° μ μ©ν©λλ€.
-
μ¬μ νμ΅λ λ€μν λͺ¨λΈ: μμ λ§λ€ λ€λ₯Έ ν΄μ μ΄ νμνλ€λ μ μ μ΄ν΄ν YOLOv5uλ λ€μν μ¬μ νμ΅λ λͺ¨λΈμ μ 곡ν©λλ€. μΆλ‘ , κ²μ¦, κ΅μ‘ μ€ μ΄λ€ λΆμΌμ μ§μ€νλ λ§μΆ€ν λͺ¨λΈμ΄ μ¬λ¬λΆμ κΈ°λ€λ¦¬κ³ μμ΅λλ€. μ΄λ¬ν λ€μμ±μ ν΅ν΄ μ²νΈμΌλ₯ μ μΈ μ루μ μ΄ μλλΌ κ³ μ ν κ³Όμ μ λ§κ² νΉλ³ν λ―ΈμΈ μ‘°μ λ λͺ¨λΈμ μ¬μ©ν μ μμ΅λλ€.
μ§μλλ μμ λ° λͺ¨λ
μ¬μ νμ΅λ λ€μν κ°μ€μΉλ₯Ό κ°μΆ YOLOv5u λͺ¨λΈμ 물체 κ°μ§ μμ μ νμν©λλ€. ν¬κ΄μ μΈ λͺ¨λλ₯Ό μ§μνλ―λ‘ κ°λ°λΆν° λ°°ν¬κΉμ§ λ€μν μ ν리μΌμ΄μ μ μ ν©ν©λλ€.
λͺ¨λΈ μ ν | μ¬μ νμ΅λ κ°μ€μΉ | μμ | μΆλ‘ | μ ν¨μ± κ²μ¬ | κ΅μ‘ | λ΄λ³΄λ΄κΈ° |
---|---|---|---|---|---|---|
YOLOv5u | yolov5nu , yolov5su , yolov5mu , yolov5lu , yolov5xu , yolov5n6u , yolov5s6u , yolov5m6u , yolov5l6u , yolov5x6u |
물체 κ°μ§ | β | β | β | β |
μ΄ νμμλ κ°μ²΄ κ°μ§ μμ μμμ μ μ© κ°λ₯μ±κ³Ό μΆλ‘ , κ²μ¦, νλ ¨, λ΄λ³΄λ΄κΈ° λ± λ€μν μ΄μ λͺ¨λμ λν μ§μμ κ°μ‘°νλ YOLOv5u λͺ¨λΈ λ³νμ λν μμΈν κ°μλ₯Ό μ 곡ν©λλ€. μ΄λ¬ν ν¬κ΄μ μΈ μ§μμ ν΅ν΄ μ¬μ©μλ λ€μν 물체 κ°μ§ μλ리μ€μμ YOLOv5u λͺ¨λΈμ κΈ°λ₯μ μ΅λν νμ©ν μ μμ΅λλ€.
μ±λ₯ μ§ν
μ±λ₯
μ¬μ νμ΅λ 80κ°μ ν΄λμ€λ₯Ό ν¬ν¨νμ¬ COCOμμ νμ΅λ μ΄λ¬ν λͺ¨λΈμ μ¬μ© μμ λ νμ§ λ¬Έμλ₯Ό μ°Έμ‘°νμΈμ.
λͺ¨λΈ | YAML | ν¬κΈ° (ν½μ ) |
mAPval 50-95 |
μλ CPU ONNX (ms) |
μλ A100 TensorRT (ms) |
맀κ°λ³μ (M) |
FLOPs (B) |
---|---|---|---|---|---|---|---|
yolov5nu.pt | yolov5n.yaml | 640 | 34.3 | 73.6 | 1.06 | 2.6 | 7.7 |
yolov5su.pt | yolov5s.yaml | 640 | 43.0 | 120.7 | 1.27 | 9.1 | 24.0 |
yolov5mu.pt | yolov5m.yaml | 640 | 49.0 | 233.9 | 1.86 | 25.1 | 64.2 |
yolov5lu.pt | yolov5l.yaml | 640 | 52.2 | 408.4 | 2.50 | 53.2 | 135.0 |
yolov5xu.pt | yolov5x.yaml | 640 | 53.2 | 763.2 | 3.81 | 97.2 | 246.4 |
yolov5n6u.pt | yolov5n6.yaml | 1280 | 42.1 | 211.0 | 1.83 | 4.3 | 7.8 |
yolov5s6u.pt | yolov5s6.yaml | 1280 | 48.6 | 422.6 | 2.34 | 15.3 | 24.6 |
yolov5m6u.pt | yolov5m6.yaml | 1280 | 53.6 | 810.9 | 4.36 | 41.2 | 65.7 |
yolov5l6u.pt | yolov5l6.yaml | 1280 | 55.7 | 1470.9 | 5.47 | 86.1 | 137.4 |
yolov5x6u.pt | yolov5x6.yaml | 1280 | 56.8 | 2436.5 | 8.98 | 155.4 | 250.7 |
μ¬μ© μ
μ΄ μλ κ°λ¨ν YOLOv5 νμ΅ λ° μΆλ‘ μμ λ₯Ό μ 곡ν©λλ€. μ΄λ¬ν λͺ¨λ λ° κΈ°ν λͺ¨λμ λν μ 체 μ€λͺ μλ μμΈ‘, νμ΅, Val λ° λ΄λ³΄λ΄κΈ° λ¬Έμ νμ΄μ§λ₯Ό μ°Έμ‘°νμΈμ.
μ
PyTorch pretrained *.pt
λͺ¨λΈ λ° κ΅¬μ± *.yaml
νμΌμ YOLO()
ν΄λμ€λ₯Ό μ¬μ©νμ¬ python μμ λͺ¨λΈ μΈμ€ν΄μ€λ₯Ό μμ±ν©λλ€:
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")
CLI λͺ λ Ήμ μ¬μ©νμ¬ λͺ¨λΈμ μ§μ μ€νν μ μμ΅λλ€:
μΈμ© λ° κ°μ¬
μ°κ΅¬μ YOLOv5 λλ YOLOv5uλ₯Ό μ¬μ©νλ κ²½μ° Ultralytics YOLOv5 리ν¬μ§ν 리λ₯Ό λ€μκ³Ό κ°μ΄ μΈμ©ν΄ μ£ΌμΈμ:
YOLOv5 λͺ¨λΈμ λ€μκ³Ό κ°μ΄ μ 곡λ©λλ€. AGPL-3.0 λ° μν°νλΌμ΄μ¦ λΌμ΄μ μ€λ‘ μ 곡λ©λλ€.
μμ£Ό 묻λ μ§λ¬Έ
Ultralytics YOLOv5uλ 무μμ΄λ©° YOLOv5 κ³Ό μ΄λ»κ² λ€λ₯Έκ°μ?
Ultralytics YOLOv5u is an advanced version of YOLOv5, integrating the anchor-free, objectness-free split head that enhances the accuracy-speed tradeoff for real-time object detection tasks. Unlike the traditional YOLOv5, YOLOv5u adopts an anchor-free detection mechanism, making it more flexible and adaptive in diverse scenarios. For more detailed information on its features, you can refer to the YOLOv5 Overview.
μ΅μ»€κ° μλ Ultralytics ν€λκ° YOLOv5uμμ 물체 κ°μ§ μ±λ₯μ μ΄λ»κ² κ°μ νλμ?
YOLOv5uμ μ΅μ»€ ν리( Ultralytics ) ν€λλ μ¬μ μ μλ μ΅μ»€ λ°μ€μ λν μμ‘΄μ±μ μ κ±°νμ¬ λ¬Όμ²΄ κ°μ§ μ±λ₯μ ν₯μμν΅λλ€. κ·Έ κ²°κ³Ό λ€μν 물체 ν¬κΈ°μ λͺ¨μμ λ³΄λ€ ν¨μ¨μ μΌλ‘ μ²λ¦¬ν μ μλ λ³΄λ€ μ μ°νκ³ μ μμ μΈ κ°μ§ λ©μ»€λμ¦μ΄ νμνμ΅λλ€. μ΄λ¬ν κ°μ μ μ νλμ μλ κ°μ κ· ν μ‘ν νΈλ μ΄λμ€νμ μ§μ μ μΌλ‘ κΈ°μ¬νμ¬ YOLOv5uλ₯Ό μ€μκ° μ ν리μΌμ΄μ μ μ ν©νκ² λ§λλλ€. μ£Όμ κΈ°λ₯ μΉμ μμ μν€ν μ²μ λν΄ μμΈν μμ보μΈμ.
λ€λ₯Έ μμ κ³Ό λͺ¨λμ μ¬μ νμ΅λ YOLOv5u λͺ¨λΈμ μ¬μ©ν μ μλμ?
μ, κ°μ²΄ κ°μ§μ κ°μ λ€μν μμ μ μ¬μ νμ΅λ YOLOv5u λͺ¨λΈμ μ¬μ©ν μ μμ΅λλ€. μ΄λ¬ν λͺ¨λΈμ μΆλ‘ , κ²μ¦, νλ ¨, λ΄λ³΄λ΄κΈ° λ± μ¬λ¬ λͺ¨λλ₯Ό μ§μν©λλ€. μ΄λ¬ν μ μ°μ± λλΆμ μ¬μ©μλ λ€μν μ΄μ μꡬ μ¬νμ λ°λΌ YOLOv5u λͺ¨λΈμ κΈ°λ₯μ νμ©ν μ μμ΅λλ€. μμΈν κ°μλ μ§μλλ μμ λ° λͺ¨λ μΉμ μ μ°Έμ‘°νμΈμ.
YOLOv5u λͺ¨λΈμ μ±λ₯ μ§νλ λ€λ₯Έ νλ«νΌμμ μ΄λ»κ² λΉκ΅λλμ?
YOLOv5u λͺ¨λΈμ μ±λ₯ λ©νΈλ¦μ μ¬μ©λλ νλ«νΌκ³Ό νλμ¨μ΄μ λ°λΌ λ€λ¦ λλ€. μλ₯Ό λ€μ΄, YOLOv5nu λͺ¨λΈμ COCO λ°μ΄ν° μΈνΈμμ 34.3mAPλ₯Ό λ¬μ±νλ©° CPU (ONNX) λ° A100 TensorRT μμ 73.6msμ μλλ₯Ό 보μ λλ€. λ€μν YOLOv5u λͺ¨λΈμ λν μμΈν μ±λ₯ λ©νΈλ¦μ μ±λ₯ λ©νΈλ¦ μΉμ μμ νμΈν μ μμΌλ©°, μ¬κΈ°μλ λ€μν κΈ°κΈ°μ λν μ’ ν©μ μΈ λΉκ΅κ° μ 곡λ©λλ€.
Ultralytics Python APIλ₯Ό μ¬μ©νμ¬ YOLOv5u λͺ¨λΈμ νλ ¨νλ €λ©΄ μ΄λ»κ² ν΄μΌ νλμ?
μ¬μ νμ΅λ λͺ¨λΈμ λ‘λνκ³ λ°μ΄ν° μΈνΈμ ν¨κ» νμ΅ λͺ λ Ήμ μ€ννμ¬ YOLOv5u λͺ¨λΈμ νμ΅ν μ μμ΅λλ€. λ€μμ κ°λ¨ν μμ λλ€:
μ
μμΈν μ§μΉ¨μ μ¬μ© μμ μΉμ μ μ°Έμ‘°νμΈμ.