다음에 대한 종합 가이드 Ultralytics YOLOv5

Ultralytics' YOLOv5🚀 문서화! YOLOv5 의 다섯 번째 버전인 혁신적인 "You Only Look Once"를 소개합니다. 물체 감지 모델은 고속, 고정밀 결과를 실시간으로 제공하도록 설계되었습니다.

PyTorch 에 구축된 이 강력한 딥 러닝 프레임워크는 다용도성, 사용 편의성, 고성능으로 큰 인기를 얻고 있습니다. 이 문서는 설치 과정을 안내하고, 모델의 아키텍처적 뉘앙스를 설명하고, 다양한 사용 사례를 보여주며, 일련의 상세한 튜토리얼을 제공합니다. 이러한 리소스를 통해 YOLOv5 의 잠재력을 최대한 활용할 수 있습니다. 컴퓨터 비전 프로젝트에 참여하세요. 시작해보자!

탐색 및 학습

다음은 YOLOv5 의 다양한 측면을 안내하는 종합적인 튜토리얼 모음입니다.

• 사용자 지정 데이터 훈련 🚀 권장: 사용자 지정 데이터 집합에서 YOLOv5 모델을 훈련하는 방법을 알아보세요.
• 최상의 트레이닝 결과를 위한 팁 ☘️: 모델 트레이닝 프로세스를 최적화하기 위한 실용적인 팁을 알아보세요.
• 멀티GPU 교육: 멀티 GPU를 활용하여 트레이닝을 가속화하는 방법을 알아보세요.
• PyTorch Hub 🌟 신규: PyTorch Hub를 통해 사전 학습된 모델을 로드하는 방법을 알아보세요.
• TFLite, ONNX, CoreML, TensorRT 내보내기 🚀: 모델을 다양한 형식으로 내보내는 방법을 이해합니다.
• 테스트 시간 증강(TTA): TTA를 사용하여 모델의 예측 정확도를 개선하는 방법을 살펴보세요.
• 모델 앙상블: 여러 모델을 결합하여 성능을 향상시키는 전략을 알아보세요.
• 모델 가지치기/스파스시티: 가지 치기 및 희소성 개념과 보다 효율적인 모델을 만드는 방법을 이해합니다.
• 하이퍼파라미터 진화: 모델 성능 향상을 위한 자동화된 하이퍼파라미터 튜닝 프로세스에 대해 알아보세요.
• 고정 레이어를 사용한 전이 학습: YOLOv5 에서 레이어를 고정하여 전이 학습을 구현하는 방법을 알아보세요.
• 아키텍처 요약 🌟 YOLOv5 모델의 구조적 세부 사항을 자세히 살펴보세요.
• Roboflow 에 대해 알아보세요: 데이터 세트 관리, 라벨링 및 능동적 학습을 위해 Roboflow 을 활용하는 방법을 이해합니다.
• ClearML 로깅 🌟 모델 트레이닝 중 효율적인 로깅을 위해 ClearML 을 통합하는 방법을 알아보세요.
• YOLOv5 Neural Magic Neural Magic 딥스파스를 사용하여 모델을 가지치기하고 정량화하는 방법을 알아보세요. YOLOv5
• Comet 로깅 🌟 신규: 모델 트레이닝 로깅을 개선하기 위해 Comet 을 활용하는 방법을 살펴보세요.

지원 환경

Ultralytics 는 바로 사용할 수 있는 다양한 환경을 제공하며, 각 환경에는 다음과 같은 필수 종속성이 사전 설치되어 있습니다. CUDA, CUDNN, Python, 및 PyTorch와 같은 필수 종속 요소를 설치하여 프로젝트를 시작할 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 지속적 통합(CI) 테스트가 성공적으로 통과되었음을 나타냅니다. 이러한 CI 테스트는 교육, 검증, 추론, 내보내기 및 벤치마크 등 다양한 주요 측면에서 YOLOv5 의 기능과 성능을 엄격하게 확인합니다. 24시간마다 그리고 새로운 커밋이 있을 때마다 테스트를 수행하여 macOS, Windows 및 Ubuntu에서 일관되고 안정적인 작동을 보장합니다.

연결 및 기여

YOLOv5 와의 여정이 외로울 필요는 없습니다. GitHub의 활기찬 커뮤니티에 참여하고, LinkedIn에서 전문가들과 교류하고, Twitter에서 결과를 공유하고, YouTube에서 교육 리소스를 찾아보세요. 더 흥미로운 콘텐츠를 보려면 TikTok과 BiliBili를 팔로우하세요.

기여하고 싶으신가요? 코드 개선 및 버그 보고부터 문서 업데이트에 이르기까지 모든 형태의 기여를 환영합니다. 자세한 내용은 기여 가이드라인을 참조하세요.

여러분의 혁신적인 사용법을 기대합니다 YOLOv5. 컴퓨터 비전 프로젝트에 뛰어들어 실험하고 혁신하세요! 🚀

자주 묻는 질문

Ultralytics YOLOv5 의 주요 기능은 무엇인가요?

Ultralytics YOLOv5 는 고속, 고정밀 물체 감지 기능으로 유명합니다. 기반 PyTorch다목적이며 사용자 친화적이어서 다양한 컴퓨터 비전 프로젝트에 적합합니다. 주요 기능으로는 실시간 추론, TTA(테스트 시간 증강) 및 모델 앙상블과 같은 여러 훈련 기법 지원, TFLite, ONNX, CoreML, TensorRT 과 같은 내보내기 형식과의 호환성 등이 있습니다. Ultralytics YOLOv5 을 통해 프로젝트를 향상시킬 수 있는 방법에 대해 자세히 알아보려면 TFLite, ONNX, CoreML, TensorRT 내보내기 가이드를 참조하세요.

내 데이터 집합에서 사용자 지정 YOLOv5 모델을 학습하려면 어떻게 해야 하나요?

데이터 세트에서 사용자 지정 YOLOv5 모델을 훈련하려면 몇 가지 주요 단계가 필요합니다. 먼저, 레이블로 주석을 달아 필요한 형식으로 데이터 집합을 준비합니다. 그런 다음 YOLOv5 훈련 매개변수를 구성하고 다음을 사용하여 훈련 프로세스를 시작합니다. train.py 스크립트를 사용하세요. 이 프로세스에 대한 자세한 튜토리얼을 보려면 사용자 지정 데이터 가이드 교육. 특정 사용 사례에 맞는 최적의 결과를 얻을 수 있도록 단계별 지침을 제공합니다.

RCNN과 같은 다른 객체 감지 모델 대신 Ultralytics YOLOv5 을 사용해야 하는 이유는 무엇인가요?

Ultralytics YOLOv5 는 실시간 물체 감지의 속도와 정확성이 뛰어나 RCNN과 같은 모델보다 선호됩니다. YOLOv5 는 전체 이미지를 한 번에 처리하므로 여러 번의 패스를 거치는 RCNN의 영역 기반 접근 방식에 비해 훨씬 빠릅니다. 또한 YOLOv5 은 다양한 내보내기 형식과 원활하게 통합되고 광범위한 문서가 제공되므로 초보자와 전문가 모두에게 탁월한 선택이 될 수 있습니다. 아키텍처 요약에서 아키텍처의 장점에 대해 자세히 알아보세요.

교육 중에 YOLOv5 모델 성능을 최적화하려면 어떻게 해야 하나요?

YOLOv5 모델 성능 최적화에는 다양한 하이퍼파라미터를 조정하고 데이터 증강 및 전이 학습과 같은 기술을 통합하는 것이 포함됩니다. Ultralytics 에서는 모델 효율성 향상을 위한 하이퍼파라미터 진화 및 가지치기/스파스시티에 대한 종합적인 리소스를 제공합니다. 학습 중에 최적의 성능을 달성하기 위한 실행 가능한 인사이트를 제공하는 최상의 학습 결과를 위한 팁 가이드에서 실용적인 팁을 확인할 수 있습니다.

YOLOv5 애플리케이션을 실행하기 위해 지원되는 환경은 무엇인가요?

Ultralytics YOLOv5 는 Gradient의 무료 GPU 노트북, Google Colab, Kaggle은 물론 Google Cloud, Amazon AWS, Azure와 같은 주요 클라우드 플랫폼 등 다양한 환경을 지원합니다. 편리한 설정을 위해 Docker 이미지도 제공됩니다. 이러한 환경 설정에 대한 자세한 가이드는 각 플랫폼에 대한 단계별 지침이 포함된 지원되는 환경 섹션을 참조하세요.

📅1 년 전 생성됨 ✏️ 1개월 전 업데이트됨

댓글