Ultralytics YOLOv5

개요

YOLOv5u는 객체 감지 방법론의 진보를 나타냅니다. 기본 아키텍처에서 출발한 YOLOv5 모델( Ultralytics)의 기본 아키텍처에서 유래한 YOLOv5u는 이전에 소개된 앵커가 없고 물체가 없는 분할 헤드를 통합하여 YOLOv8 모델에 도입된 기능입니다. 이러한 조정은 모델의 아키텍처를 개선하여 물체 감지 작업에서 정확도와 속도 간의 트레이드 오프가 개선되었습니다. 경험적 결과와 그로부터 도출된 특징을 고려할 때, YOLOv5u는 연구와 실제 애플리케이션 모두에서 강력한 솔루션을 찾는 사람들에게 효율적인 대안을 제공합니다.

주요 기능

• 앵커 프리 분할 Ultralytics 헤드: 기존의 객체 감지 모델은 사전 정의된 앵커 박스에 의존하여 객체 위치를 예측합니다. 하지만 YOLOv5u는 이러한 접근 방식을 현대화합니다. 앵커 프리 분할 Ultralytics 헤드를 채택함으로써 보다 유연하고 적응적인 감지 메커니즘을 보장하여 결과적으로 다양한 시나리오에서 성능을 향상시킵니다.

• 최적화된 정확도-속도 트레이드오프: 속도와 정확도는 종종 서로 반대 방향으로 움직입니다. 하지만 YOLOv5u는 이 트레이드오프에 도전합니다. 이 제품은 보정된 밸런스를 제공하여 정확도 저하 없이 실시간 감지를 보장합니다. 이 기능은 특히 자율 주행 차량, 로봇 공학, 실시간 비디오 분석과 같이 신속한 응답이 필요한 애플리케이션에 매우 유용합니다.

• 사전 학습된 다양한 모델: 작업마다 다른 툴셋이 필요하다는 점을 이해한 YOLOv5u는 다양한 사전 학습된 모델을 제공합니다. 추론, 검증, 교육 중 어떤 분야에 집중하든 맞춤형 모델이 여러분을 기다리고 있습니다. 이러한 다양성을 통해 천편일률적인 솔루션이 아니라 고유한 과제에 맞게 특별히 미세 조정된 모델을 사용할 수 있습니다.

지원되는 작업 및 모드

사전 학습된 다양한 가중치를 갖춘 YOLOv5u 모델은 물체 감지 작업에 탁월합니다. 포괄적인 모드를 지원하므로 개발부터 배포까지 다양한 애플리케이션에 적합합니다.

이 표는 객체 감지 작업에서의 적용 가능성과 추론, 검증, 훈련, 내보내기 등 다양한 운영 모드에 대한 지원을 강조하는 YOLOv5u 모델 변형에 대한 자세한 개요를 제공합니다. 이러한 포괄적인 지원을 통해 사용자는 다양한 물체 감지 시나리오에서 YOLOv5u 모델의 기능을 최대한 활용할 수 있습니다.

성능 지표

사용 예

이 예는 간단한 YOLOv5 학습 및 추론 예제를 제공합니다. 이러한 모드 및 기타 모드에 대한 전체 설명서는 예측, 학습, Val 및 내보내기 문서 페이지를 참조하세요.

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")

# Load a COCO-pretrained YOLOv5n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov5n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv5n model and run inference on the 'bus.jpg' image
yolo predict model=yolov5n.pt source=path/to/bus.jpg

인용 및 감사

연구에 YOLOv5 또는 YOLOv5u를 사용하는 경우 Ultralytics YOLOv5 리포지토리를 다음과 같이 인용하세요:

@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 다음과 같이 제공됩니다. AGPL-3.0 및 엔터프라이즈 라이선스로 제공됩니다.

자주 묻는 질문

Ultralytics YOLOv5u는 무엇이며 YOLOv5 과 어떻게 다른가요?

Ultralytics YOLOv5u는 YOLOv5 의 고급 버전으로, 실시간 물체 감지 작업의 정확도-속도 균형을 향상시키는 앵커가 없고 물체가 없는 분할 헤드를 통합한 제품입니다. 기존 YOLOv5 과 달리 YOLOv5u는 앵커가 없는 감지 메커니즘을 채택하여 다양한 시나리오에서 더욱 유연하고 적응력이 뛰어납니다. 기능에 대한 자세한 내용은 YOLOv5 개요를 참조하세요.

앵커가 없는 Ultralytics 헤드가 YOLOv5u에서 물체 감지 성능을 어떻게 향상시키나요?

YOLOv5u의 앵커 프리( Ultralytics ) 헤드는 사전 정의된 앵커 박스에 대한 의존성을 제거하여 물체 감지 성능을 향상시킵니다. 그 결과 다양한 물체 크기와 모양을 보다 효율적으로 처리할 수 있는 보다 유연하고 적응적인 감지 메커니즘이 탄생했습니다. 이러한 개선은 정확도와 속도 간의 균형 잡힌 트레이드오프에 직접적으로 기여하여 YOLOv5u를 실시간 애플리케이션에 적합하게 만듭니다. 주요 기능 섹션에서 아키텍처에 대해 자세히 알아보세요.

다른 작업과 모드에 사전 학습된 YOLOv5u 모델을 사용할 수 있나요?

예, 객체 감지와 같은 다양한 작업에 사전 학습된 YOLOv5u 모델을 사용할 수 있습니다. 이러한 모델은 추론, 검증, 훈련, 내보내기 등 여러 모드를 지원합니다. 이러한 유연성 덕분에 사용자는 다양한 운영 요구 사항에 따라 YOLOv5u 모델의 기능을 활용할 수 있습니다. 자세한 개요는 지원되는 작업 및 모드 섹션을 참조하세요.

YOLOv5u 모델의 성능 지표는 다른 플랫폼에서 어떻게 비교되나요?

YOLOv5u 모델의 성능 메트릭은 사용되는 플랫폼과 하드웨어에 따라 다릅니다. 예를 들어, YOLOv5nu 모델은 COCO 데이터 세트에서 34.3mAP를 달성하며 CPU (ONNX) 및 A100 TensorRT 에서 73.6ms의 속도를 보입니다. 다양한 YOLOv5u 모델에 대한 자세한 성능 메트릭은 성능 메트릭 섹션에서 확인할 수 있으며, 여기에는 다양한 기기에 대한 종합적인 비교가 제공됩니다.

Ultralytics Python API를 사용하여 YOLOv5u 모델을 훈련하려면 어떻게 해야 하나요?

사전 학습된 모델을 로드하고 데이터 세트와 함께 학습 명령을 실행하여 YOLOv5u 모델을 학습할 수 있습니다. 다음은 간단한 예입니다:

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)

# Load a COCO-pretrained YOLOv5n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov5n.pt data=coco8.yaml epochs=100 imgsz=640

자세한 지침은 사용 예시 섹션을 참조하세요.

📅1 년 전 생성됨 ✏️ 업데이트됨 15일 전

댓글