Ultralytics YOLOv5 종합 가이드#
Ultralytics YOLOv5🚀 문서에 오신 것을 환영합니다! 혁신적인 "You Only Look Once" 객체 감지 모델의 다섯 번째 버전인 Ultralytics YOLOv5는 실시간으로 고속 및 고정밀 결과를 제공하도록 설계되었습니다. YOLOv5는 여전히 강력한 도구이지만, 최신 발전 사항을 확인하려면 후속 모델인 Ultralytics YOLOv8, YOLO11, YOLO26을 살펴보세요.
PyTorch를 기반으로 구축된 이 강력한 딥 러닝 프레임워크는 유연성, 사용 편의성, 고성능으로 엄청난 인기를 얻었습니다. 본 문서는 설치 과정을 안내하고, 모델의 아키텍처적 세부 사항을 설명하며, 다양한 사용 사례를 선보이고, 일련의 상세한 튜토리얼을 제공합니다. 이러한 리소스는 컴퓨터 비전 프로젝트에서 YOLOv5의 잠재력을 최대한 활용하는 데 도움을 줍니다. 시작해 봅시다!
탐색 및 학습#
YOLOv5의 다양한 측면을 안내할 종합 튜토리얼 모음입니다.
- 커스텀 데이터 학습하기 🚀 권장 사항: 커스텀 데이터셋에서 YOLOv5 모델을 학습하는 방법을 알아보세요.
- 최고의 학습 결과를 위한 팁 ☘️: 모델 학습 과정을 최적화하기 위한 실용적인 팁을 확인해 보세요.
- 멀티 GPU 학습: 학습 속도를 높이기 위해 여러 GPU를 활용하는 방법을 이해합니다.
- 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): 모델의 예측 정확도를 향상시키기 위해 TTA를 사용하는 방법을 살펴보세요.
- 모델 앙상블: 성능 향상을 위해 여러 모델을 결합하는 전략을 학습합니다.
- 모델 가지치기/희소성: 가지치기 및 희소성 개념을 이해하고, 더 효율적인 모델을 만드는 방법을 알아봅니다.
- 하이퍼파라미터 진화: 더 나은 모델 성능을 위한 자동화된 하이퍼파라미터 튜닝 과정을 발견해 보세요.
- 고정된 레이어를 사용한 전이 학습: YOLOv5에서 레이어를 고정하여 전이 학습을 구현하는 방법을 학습합니다.
- 아키텍처 요약 🌟 YOLOv5 모델의 구조적 세부 사항을 자세히 살펴보세요. 자세한 내용은 YOLOv5 v6.0 블로그 게시물을 읽어보세요.
- ClearML 로깅 통합 🌟 모델 학습 중 효율적인 로깅을 위해 ClearML을 통합하는 방법을 알아보세요.
- Neural Magic을 활용한 YOLOv5: Neural Magic의 DeepSparse를 사용하여 YOLOv5 모델을 가지치기하고 양자화하는 방법을 알아보세요.
- Comet 로깅 통합 🌟 신규: 향상된 모델 학습 로깅을 위해 Comet을 활용하는 방법을 살펴보세요.
지원되는 환경#
Ultralytics는 프로젝트를 빠르게 시작할 수 있도록 CUDA, CuDNN, Python, PyTorch와 같은 필수 종속성이 사전 설치된 다양한 즉시 사용 가능한 환경을 제공합니다. 또한 Ultralytics Platform을 사용하여 모델과 데이터셋을 관리할 수 있습니다.
- Free GPU Notebooks:
- Google Cloud: GCP 퀵스타트 가이드
- Amazon: AWS 빠른 시작 가이드
- Azure: AzureML 빠른 시작 가이드
- Docker: Docker Quickstart Guide
프로젝트 상태#
이 배지는 모든 YOLOv5 GitHub Actions CI(Continuous Integration) 테스트가 성공적으로 통과되었음을 나타냅니다. 이 CI 테스트들은 학습, 검증, 추론, 내보내기, 벤치마크 등 다양한 핵심 측면에서 YOLOv5의 기능과 성능을 엄격하게 확인합니다. 테스트는 24시간마다 그리고 새로운 커밋이 발생할 때마다 수행되며 macOS, Windows, Ubuntu에서 일관되고 안정적인 작동을 보장합니다.
연결 및 기여#
YOLOv5와의 여정이 혼자일 필요는 없습니다. GitHub의 활기찬 커뮤니티에 참여하고, LinkedIn에서 전문가들과 연결하고, Twitter에서 결과를 공유하며, YouTube에서 교육 리소스를 찾아보세요. 더 많은 유익한 콘텐츠를 위해 TikTok과 BiliBili에서 팔로우하세요.
기여에 관심이 있으신가요? 코드 개선 및 버그 신고부터 문서 업데이트에 이르기까지 모든 형태의 기여를 환영합니다. 자세한 내용은 기여 가이드라인을 확인하세요.
귀하께서 YOLOv5를 혁신적으로 활용하는 모습을 기대합니다. 바로 뛰어들어 실험하고 컴퓨터 비전 프로젝트를 혁신해 보세요! 🚀
FAQ#
Ultralytics YOLOv5는 고속 및 고정밀 객체 감지 기능으로 유명합니다. PyTorch를 기반으로 구축되어 다목적이며 사용자 친화적이므로 다양한 컴퓨터 비전 프로젝트에 적합합니다. 주요 기능에는 실시간 추론, 테스트 시간 증강(TTA) 및 모델 앙상블과 같은 여러 학습 트릭 지원, TFLite, ONNX, CoreML, TensorRT 등의 내보내기 형식 호환성이 포함됩니다. Ultralytics YOLOv5가 프로젝트를 어떻게 향상시킬 수 있는지 자세히 알아보려면 TFLite, ONNX, CoreML, TensorRT 내보내기 가이드를 살펴보세요.
데이터셋에서 커스텀 YOLOv5 모델을 학습하는 과정은 몇 가지 주요 단계로 구성됩니다. 먼저, 레이블이 지정된 필수 형식으로 데이터셋을 준비합니다. 그런 다음 YOLOv5 학습 파라미터를 설정하고
train.py스크립트를 사용하여 학습 과정을 시작합니다. 이 과정에 대한 자세한 튜토리얼은 커스텀 데이터 학습 가이드를 참조하세요. 특정 사용 사례에 대해 최적의 결과를 보장하는 단계별 지침을 제공합니다.YOLOv5 모델 성능을 최적화하려면 다양한 하이퍼파라미터를 튜닝하고 데이터 증강 및 전이 학습과 같은 기법을 통합해야 합니다. 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 찾아볼 수 있습니다.
Ultralytics YOLOv5는 Gradient, Google Colab, Kaggle의 무료 GPU 노트북뿐만 아니라 Google Cloud, Amazon AWS, Azure와 같은 주요 클라우드 플랫폼을 포함한 다양한 환경을 지원합니다. 편리한 설정을 위해 Docker 이미지도 사용할 수 있습니다. 이러한 환경 설정에 대한 자세한 가이드는 각 플랫폼별 단계별 지침이 포함된 지원되는 환경 섹션을 확인하세요.