Link to this sectionUltralytics YOLOv5 종합 가이드#

Ultralytics YOLOv5🚀 문서에 오신 것을 환영합니다! 획기적인 "You Only Look Once" 객체 탐지 모델의 다섯 번째 반복인 Ultralytics YOLOv5는 실시간으로 고속 및 고정확도의 결과를 제공하도록 설계되었습니다. YOLOv5는 여전히 강력한 도구이지만, 최신 발전 사항을 확인하려면 후속 모델인 Ultralytics YOLOv8, YOLO11, YOLO26 탐색을 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 미묘한 차이를 설명하며, 다양한 사용 사례를 소개하고, 일련의 상세한 튜토리얼을 제공합니다. 이러한 리소스는 귀하의 컴퓨터 비전 프로젝트에서 YOLOv5의 잠재력을 최대한 활용하는 데 도움을 줄 것입니다. 시작해 보겠습니다!

Link to this section탐색 및 학습#

YOLOv5의 다양한 측면을 안내할 종합 튜토리얼 모음입니다.

• 사용자 지정 데이터 학습 🚀 권장 사항: YOLOv5 모델을 사용자 지정 데이터셋으로 학습시키는 방법을 알아봅니다.
• 최상의 학습 결과를 위한 팁 ☘️: 모델 학습 과정을 최적화하기 위한 실용적인 팁을 확인합니다.
• 다중 GPU 학습: 여러 GPU를 활용하여 학습 속도를 높이는 방법을 이해합니다.
• PyTorch Hub 🌟 신규: PyTorch Hub를 통해 사전 학습된 모델을 로드하는 방법을 알아봅니다.
• TFLite, ONNX, CoreML, TensorRT 내보내기 🚀: 모델을 다양한 형식으로 내보내는 방법을 이해합니다.
• 테스트 시점 증강(TTA): TTA를 사용하여 모델의 예측 정확도를 향상시키는 방법을 살펴봅니다.
• 모델 앙상블: 성능 향상을 위해 여러 모델을 결합하는 전략을 알아봅니다.
• 모델 가지치기(Pruning)/희소성(Sparsity): 가지치기와 희소성 개념을 이해하고 더 효율적인 모델을 만드는 방법을 배웁니다.
• 하이퍼파라미터 진화: 더 나은 모델 성능을 위한 자동화된 하이퍼파라미터 튜닝 과정을 확인합니다.
• 레이어 동결을 이용한 전이 학습: YOLOv5에서 레이어를 동결하여 전이 학습을 구현하는 방법을 배웁니다.
• 아키텍처 요약 🌟 YOLOv5 모델의 구조적 세부 사항을 자세히 살펴봅니다. 더 많은 통찰을 얻으려면 YOLOv5 v6.0 블로그 게시물을 읽어보십시오.
• ClearML 로깅 통합 🌟 모델 학습 중 효율적인 로깅을 위해 ClearML을 통합하는 방법을 알아봅니다.
• Neural Magic을 이용한 YOLOv5: Neural Magic의 DeepSparse를 사용하여 YOLOv5 모델을 가지치기하고 양자화하는 방법을 알아봅니다.
• Comet 로깅 통합 🌟 신규: 개선된 모델 학습 로깅을 위해 Comet을 활용하는 방법을 탐색합니다.

Link to this section지원되는 환경#

Ultralytics는 프로젝트를 즉시 시작할 수 있도록 CUDA, CuDNN, Python, PyTorch와 같은 필수 종속 요소가 미리 설치된 다양한 준비된 환경을 제공합니다. 또한 Ultralytics Platform을 사용하여 모델과 데이터셋을 관리할 수 있습니다.

• 무료 GPU 노트북:
• Google Cloud: GCP 퀵스타트 가이드
• Amazon: AWS 퀵스타트 가이드
• Azure: AzureML 퀵스타트 가이드
• Docker: Docker 퀵스타트 가이드

Link to this section프로젝트 상태#

이 배지는 모든 YOLOv5 GitHub Actions CI(Continuous Integration) 테스트가 성공적으로 통과했음을 나타냅니다. 이러한 CI 테스트는 학습, 검증, 추론, 내보내기 및 벤치마크와 같은 YOLOv5의 기능 및 성능을 다양한 관점에서 엄격하게 점검합니다. 24시간마다 그리고 새로운 커밋이 발생할 때마다 테스트를 수행하여 macOS, Windows 및 Ubuntu 환경에서 일관되고 안정적인 작동을 보장합니다.

Link to this section연결 및 기여#

YOLOv5와 함께하는 여정을 혼자 할 필요는 없습니다. GitHub에서 활기찬 커뮤니티에 참여하고, LinkedIn에서 전문가들과 소통하며, Twitter에서 결과를 공유하고, YouTube에서 교육 리소스를 찾아보세요. 더 많은 흥미로운 콘텐츠를 보려면 TikTok과 BiliBili에서 우리를 팔로우하세요.

기여에 관심이 있으신가요? 코드 개선이나 버그 보고부터 문서 업데이트까지 모든 형태의 기여를 환영합니다. 자세한 내용은 기여 가이드라인을 확인하십시오.

귀하께서 YOLOv5를 혁신적으로 활용하는 모습을 기대합니다. 바로 뛰어들어 실험하고 컴퓨터 비전 프로젝트를 혁신해 보세요! 🚀

Link to this sectionFAQ#

Link to this sectionUltralytics YOLOv5의 주요 특징은 무엇인가요?#

Ultralytics YOLOv5는 빠른 속도와 높은 정확도를 갖춘 객체 탐지 기능으로 유명합니다. PyTorch를 기반으로 구축되어 범용성이 뛰어나고 사용하기 쉬워 다양한 컴퓨터 비전 프로젝트에 적합합니다. 주요 기능으로는 실시간 추론, 테스트 시점 증강(TTA) 및 모델 앙상블과 같은 여러 학습 기법 지원, TFLite, ONNX, CoreML, TensorRT와 같은 내보내기 형식과의 호환성이 있습니다. Ultralytics YOLOv5가 프로젝트를 어떻게 향상시킬 수 있는지 자세히 알아보려면 TFLite, ONNX, CoreML, TensorRT 내보내기 가이드를 살펴보십시오.

Link to this section제 데이터셋으로 사용자 지정 YOLOv5 모델을 어떻게 학습시킬 수 있나요?#

사용자 지정 YOLOv5 모델을 데이터셋으로 학습시키는 과정에는 몇 가지 핵심 단계가 포함됩니다. 먼저 데이터셋을 필수 형식으로 준비하고 레이블을 지정합니다. 그런 다음 YOLOv5 학습 파라미터를 구성하고 train.py 스크립트를 사용하여 학습 과정을 시작합니다. 이 과정에 대한 자세한 튜토리얼은 사용자 지정 데이터 학습 가이드를 참조하십시오. 특정 사용 사례에 대해 최적의 결과를 보장하기 위한 단계별 지침을 제공합니다.

Link to this sectionRCNN과 같은 다른 객체 탐지 모델보다 Ultralytics YOLOv5를 사용해야 하는 이유는 무엇인가요?#

Ultralytics YOLOv5는 실시간 객체 탐지에서의 뛰어난 속도와 정확성으로 인해 R-CNN과 같은 모델보다 선호됩니다. YOLOv5는 전체 이미지를 한 번에 처리하므로 여러 번의 패스가 필요한 R-CNN의 영역 기반 방식보다 훨씬 빠릅니다. 또한 YOLOv5는 다양한 내보내기 형식과의 원활한 통합과 방대한 문서를 제공하여 초보자와 전문가 모두에게 탁월한 선택입니다. 아키텍처의 이점에 대한 자세한 내용은 아키텍처 요약에서 확인하십시오.

Link to this section학습 중 YOLOv5 모델 성능을 어떻게 최적화할 수 있나요?#

YOLOv5 모델 성능 최적화에는 다양한 하이퍼파라미터를 조정하고 데이터 증강 및 전이 학습과 같은 기술을 통합하는 작업이 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 최상의 학습 결과를 위한 팁 가이드에서 실용적인 팁을 확인하실 수 있습니다.

Link to this sectionYOLOv5 애플리케이션을 실행하기 위해 어떤 환경이 지원되나요?#

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 플랫폼에 대한 단계별 지침이 포함된 지원되는 환경 섹션을 확인하십시오.