<a href="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml"><img src="https://github.com/ultralytics/ultralytics/actions/workflows/ci.yml/badge.svg" alt="Ultralytics CI"></a>
<a href="https://clickpy.clickhouse.com/dashboard/ultralytics"><img src="https://static.pepy.tech/badge/ultralytics" alt="Ultralytics Downloads"></a>
<a href="https://discord.com/invite/ultralytics"><img alt="Ultralytics Discord" src="https://img.shields.io/discord/1089800235347353640?logo=discord&logoColor=white&label=Discord&color=blue"></a>
<a href="https://community.ultralytics.com/"><img alt="Ultralytics Forums" src="https://img.shields.io/discourse/users?server=https%3A%2F%2Fcommunity.ultralytics.com&logo=discourse&label=Forums&color=blue"></a>
<a href="https://www.reddit.com/r/ultralytics/"><img alt="Ultralytics Reddit" src="https://img.shields.io/reddit/subreddit-subscribers/ultralytics?style=flat&logo=reddit&logoColor=white&label=Reddit&color=blue"></a>
<br>
<a href="https://console.paperspace.com/github/ultralytics/ultralytics"><img src="https://assets.paperspace.io/img/gradient-badge.svg" alt="Run Ultralytics on Gradient"></a>
<a href="https://colab.research.google.com/github/ultralytics/ultralytics/blob/main/examples/tutorial.ipynb"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="Open Ultralytics In Colab"></a>
<a href="https://www.kaggle.com/models/ultralytics/yolo26"><img src="https://kaggle.com/static/images/open-in-kaggle.svg" alt="Open Ultralytics In Kaggle"></a>
<a href="https://mybinder.org/v2/gh/ultralytics/ultralytics/HEAD?labpath=examples%2Ftutorial.ipynb"><img src="https://mybinder.org/badge_logo.svg" alt="Open Ultralytics In Binder"></a>Ultralytics YOLOv5 종합 가이드
Ultralytics YOLOv5🚀 문서에 오신 것을 환영합니다! 획기적인 "You Only Look Once" 객체 탐지 모델의 다섯 번째 버전인 Ultralytics YOLOv5는 실시간으로 고속 및 고정밀 결과를 제공하도록 설계되었습니다. YOLOv5는 여전히 강력한 도구이지만, 최신 기술 발전을 위해 후속 모델인 Ultralytics YOLOv8, YOLO11 및 YOLO26을 살펴보는 것도 고려해 보시기 바랍니다.
PyTorch를 기반으로 구축된 이 강력한 딥러닝 프레임워크는 범용성, 사용 편의성 및 고성능으로 엄청난 인기를 얻었습니다. 본 문서는 설치 과정을 안내하고, 모델의 아키텍처적 특성을 설명하며, 다양한 사용 사례를 소개하고, 일련의 상세 튜토리얼을 제공합니다. 이러한 리소스는 귀하의 컴퓨터 비전 프로젝트에서 YOLOv5의 잠재력을 최대한 활용하도록 도울 것입니다. 시작해 보겠습니다!
탐색 및 학습
YOLOv5의 다양한 측면을 안내할 포괄적인 튜토리얼 모음입니다.
- 사용자 지정 데이터 학습(Train Custom Data) 🚀 권장 사항: 사용자 지정 데이터셋으로 YOLOv5 모델을 학습시키는 방법을 알아봅니다.
- 최고의 학습 결과를 위한 팁(Tips for Best Training Results) ☘️: 모델 학습 과정을 최적화하기 위한 실용적인 팁을 확인하십시오.
- 멀티 GPU 학습(Multi-GPU Training): 여러 GPU를 활용하여 학습 속도를 높이는 방법을 이해합니다.
- PyTorch Hub 🌟 신규: PyTorch Hub를 통해 사전 학습된 모델을 로드하는 방법을 배웁니다.
- TFLite, ONNX, CoreML, TensorRT 내보내기(Export) 🚀: 모델을 다양한 형식으로 내보내는 방법을 이해합니다.
- 테스트 시간 증강(TTA, Test-Time Augmentation): TTA를 사용하여 모델의 예측 정확도를 향상시키는 방법을 알아봅니다.
- 모델 앙상블(Model Ensembling): 성능 향상을 위해 여러 모델을 결합하는 전략을 배웁니다.
- 모델 가지치기/희소성(Model Pruning/Sparsity): 가지치기(pruning) 및 희소성(sparsity) 개념과 더 효율적인 모델을 만드는 방법을 이해합니다.
- 하이퍼파라미터 진화(Hyperparameter Evolution): 더 나은 모델 성능을 위한 자동화된 하이퍼파라미터 튜닝 과정을 확인하십시오.
- 고정된 레이어를 사용한 전이 학습(Transfer Learning with Frozen Layers): YOLOv5에서 레이어를 고정하여 전이 학습을 구현하는 방법을 배웁니다.
- 아키텍처 요약(Architecture Summary) 🌟 YOLOv5 모델의 구조적 세부 정보를 살펴봅니다. 자세한 내용은 YOLOv5 v6.0 블로그 게시물을 참조하십시오.
- ClearML 로깅 통합(ClearML Logging Integration) 🌟 모델 학습 중 효율적인 로깅을 위해 ClearML을 통합하는 방법을 배웁니다.
- Neural Magic을 활용한 YOLOv5(YOLOv5 with Neural Magic): Neural Magic의 DeepSparse를 사용하여 YOLOv5 모델을 가지치기하고 양자화하는 방법을 알아봅니다.
- Comet 로깅 통합(Comet Logging Integration) 🌟 신규: 향상된 모델 학습 로깅을 위해 Comet을 활용하는 방법을 탐색합니다.
지원되는 환경
Ultralytics는 CUDA, CuDNN, Python, PyTorch와 같은 필수 종속성이 미리 설치된 다양한 즉시 사용 가능한 환경을 제공하여 프로젝트를 즉시 시작할 수 있도록 돕습니다. 또한 Ultralytics 플랫폼을 사용하여 모델과 데이터셋을 관리할 수 있습니다.
- 무료 GPU 노트북:
- Google Cloud: GCP 빠른 시작 가이드
- Amazon: AWS 빠른 시작 가이드
- Azure: AzureML 빠른 시작 가이드
- Docker: Docker 빠른 시작 가이드
프로젝트 상태
이 배지는 모든 YOLOv5 GitHub Actions CI(지속적 통합) 테스트가 성공적으로 통과되었음을 나타냅니다. 이러한 CI 테스트는 학습, 검증, 추론, 내보내기 및 벤치마크를 포함한 YOLOv5의 다양한 핵심 기능과 성능을 엄격하게 점검합니다. 테스트는 24시간마다 그리고 새로운 커밋이 있을 때마다 수행되며, macOS, Windows 및 Ubuntu에서 일관되고 안정적인 운영을 보장합니다.
연결 및 기여
YOLOv5와 함께하는 여정은 혼자가 아닙니다. GitHub에서 활기찬 커뮤니티에 참여하고, LinkedIn에서 전문가들과 소통하며, Twitter에서 결과를 공유하고, YouTube에서 교육 리소스를 찾아보십시오. 더 흥미로운 콘텐츠를 보려면 TikTok 및 BiliBili에서 우리를 팔로우하세요.
기여에 관심이 있으십니까? 코드 개선 및 버그 리포트부터 문서 업데이트에 이르기까지 모든 형태의 기여를 환영합니다. 자세한 내용은 기여 가이드라인을 확인하십시오.
귀하가 YOLOv5를 사용하여 어떤 혁신적인 작업을 할지 기대됩니다. 지금 시작하여 실험해 보고 컴퓨터 비전 프로젝트를 혁신하십시오! 🚀
FAQ
Ultralytics YOLOv5의 주요 특징은 무엇입니까?
Ultralytics YOLOv5는 고속 및 고정확도 객체 탐지 기능으로 유명합니다. PyTorch를 기반으로 구축되어 다재다능하고 사용자 친화적이므로 다양한 컴퓨터 비전 프로젝트에 적합합니다. 주요 기능으로는 실시간 추론, TTA(Test-Time Augmentation) 및 모델 앙상블과 같은 여러 학습 트릭 지원, TFLite, ONNX, CoreML 및 TensorRT와 같은 내보내기 형식과의 호환성이 있습니다. Ultralytics YOLOv5가 귀하의 프로젝트를 어떻게 향상시킬 수 있는지 자세히 알아보려면 TFLite, ONNX, CoreML, TensorRT 내보내기 가이드를 살펴보십시오.
내 데이터셋으로 사용자 지정 YOLOv5 모델을 학습시키려면 어떻게 해야 합니까?
사용자 지정 YOLOv5 모델을 학습시키는 과정에는 몇 가지 주요 단계가 있습니다. 먼저, 데이터셋을 필수 형식으로 준비하고 레이블을 지정합니다. 그런 다음, YOLOv5 학습 파라미터를 구성하고 train.py 스크립트를 사용하여 학습 과정을 시작합니다. 이 과정에 대한 심층적인 튜토리얼은 사용자 지정 데이터 학습 가이드를 참조하십시오. 특정 사용 사례에 대해 최적의 결과를 얻을 수 있도록 단계별 지침을 제공합니다.
다른 객체 탐지 모델(예: RCNN) 대신 Ultralytics YOLOv5를 사용해야 하는 이유는 무엇입니까?
Ultralytics YOLOv5는 실시간 객체 탐지에서 뛰어난 속도와 정확도 덕분에 R-CNN과 같은 모델보다 선호됩니다. YOLOv5는 전체 이미지를 한 번에 처리하므로 여러 번의 패스를 포함하는 RCNN의 영역 기반 접근 방식보다 훨씬 빠릅니다. 또한 YOLOv5는 다양한 내보내기 형식과의 원활한 통합 및 방대한 문서를 제공하여 초보자와 전문가 모두에게 탁월한 선택입니다. 아키텍처적 장점에 대한 자세한 내용은 아키텍처 요약에서 확인하십시오.
학습 중에 YOLOv5 모델 성능을 최적화하려면 어떻게 해야 합니까?
YOLOv5 모델 성능 최적화에는 다양한 하이퍼파라미터 조정과 데이터 증강 및 전이 학습과 같은 기술 통합이 포함됩니다. Ultralytics는 모델 효율성을 향상시키기 위해 하이퍼파라미터 진화 및 가지치기/희소성에 대한 포괄적인 리소스를 제공합니다. 학습 중 최적의 성능을 달성하기 위한 실행 가능한 통찰력을 제공하는 최고의 학습 결과를 위한 팁 가이드에서 실용적인 팁을 확인하실 수 있습니다.
YOLOv5 애플리케이션을 실행하기 위해 지원되는 환경은 무엇입니까?
Ultralytics YOLOv5는 Gradient, Google Colab, Kaggle의 무료 GPU 노트북을 비롯하여 Google Cloud, Amazon AWS, Azure와 같은 주요 클라우드 플랫폼 등 다양한 환경을 지원합니다. 또한 편리한 설정을 위해 Docker 이미지도 사용할 수 있습니다. 이러한 환경 설정에 대한 자세한 가이드는 각 플랫폼에 대한 단계별 지침을 포함하는 지원되는 환경 섹션을 확인하십시오.