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, 고정밀 결과를 제공하도록 설계되었습니다. YOLOv5는 여전히 강력한 도구이지만 최신 발전을 위해 후속 버전인 Ultralytics YOLOv8을 살펴보십시오.
PyTorch를 기반으로 구축된 이 강력한 딥 러닝 프레임워크는 다재다능함, 사용 편의성 및 높은 성능으로 엄청난 인기를 얻었습니다. 당사의 문서는 설치 프로세스를 안내하고, 모델의 아키텍처적 뉘앙스를 설명하고, 다양한 사용 사례를 보여주고, 일련의 자세한 자습서를 제공합니다. 이러한 리소스는 컴퓨터 비전 프로젝트를 위해 YOLOv5의 모든 잠재력을 활용하는 데 도움이 됩니다. 시작해 봅시다!
탐색 및 학습
다음은 YOLOv5의 다양한 측면을 안내하는 포괄적인 튜토리얼 모음입니다.
- 사용자 정의 데이터 훈련 🚀 추천: 사용자 정의 데이터 세트에서 YOLOv5 모델을 훈련하는 방법을 알아봅니다.
- 최상의 훈련 결과를 위한 팁 ☘️: 모델 훈련 프로세스를 최적화하기 위한 실용적인 팁을 알아봅니다.
- Multi-GPU 훈련: 여러 GPU를 활용하여 훈련 속도를 높이는 방법을 이해합니다.
- PyTorch Hub 🌟 NEW: PyTorch Hub를 통해 사전 훈련된 모델을 로드하는 방법을 배웁니다.
- TFLite, ONNX, CoreML, TensorRT 내보내기 🚀: 모델을 다양한 형식으로 내보내는 방법을 이해합니다.
- 테스트 시간 증강(TTA): TTA를 사용하여 모델의 예측 정확도를 향상시키는 방법을 알아봅니다.
- 모델 앙상블: 성능 향상을 위해 여러 모델을 결합하는 전략을 배웁니다.
- 모델 가지치기/희소성: 가지치기 및 희소성 개념과 보다 효율적인 모델을 만드는 방법을 이해합니다.
- Hyperparameter Evolution: 더 나은 모델 성능을 위한 자동화된 하이퍼파라미터 튜닝 프로세스를 알아보세요.
- 고정 레이어를 사용한 전이 학습: YOLOv5에서 레이어를 고정하여 전이 학습을 구현하는 방법을 알아봅니다.
- 아키텍처 요약 🌟 YOLOv5 모델의 구조적 세부 사항을 자세히 살펴보십시오. 자세한 내용은 YOLOv5 v6.0 블로그 게시물을 참조하십시오.
- ClearML 로깅 통합 🌟 모델 학습 중 효율적인 로깅을 위해 ClearML을 통합하는 방법을 알아봅니다.
- Neural Magic을 사용한 YOLOv5 Neural Magic의 DeepSparse를 사용하여 YOLOv5 모델을 가지치기하고 양자화하는 방법을 알아보세요.
- Comet 로깅 통합 🌟 NEW: 개선된 모델 학습 로깅을 위해 Comet을 활용하는 방법을 알아보십시오.
지원되는 환경
Ultralytics는 CUDA, CuDNN, Python 및 PyTorch와 같은 필수 종속성이 사전 설치된 다양한 즉시 사용 가능한 환경을 제공하여 프로젝트를 시작할 수 있도록 지원합니다. Ultralytics HUB를 사용하여 모델과 데이터 세트를 관리할 수도 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 학습, 유효성 검사, 추론, 내보내기 및 벤치마크와 같은 다양한 주요 측면에서 YOLOv5의 기능과 성능을 엄격하게 검사합니다. macOS, Windows 및 Ubuntu에서 일관되고 안정적인 작동을 보장하며, 테스트는 24시간마다 그리고 새로운 커밋마다 수행됩니다.
연결 및 기여
YOLOv5를 사용하는 여정이 외로운 길이 될 필요는 없습니다. GitHub에서 활발한 커뮤니티에 참여하고, LinkedIn에서 전문가와 연결하고, Twitter에서 결과를 공유하고, YouTube에서 교육 자료를 찾아보세요. 더욱 흥미로운 콘텐츠를 보려면 TikTok과 BiliBili에서 팔로우하세요.
기여에 관심이 있으신가요? 코드 개선 및 버그 보고에서 문서 업데이트에 이르기까지 모든 형태의 기여를 환영합니다. 자세한 내용은 기여 지침을 확인하십시오.
YOLOv5를 활용하여 여러분이 보여줄 혁신적인 결과물들이 기대됩니다. 뛰어들어 실험하고, 컴퓨터 비전 프로젝트에 혁명을 일으키세요! 🚀
FAQ
Ultralytics YOLOv5의 주요 특징은 무엇입니까?
Ultralytics YOLOv5는 고속 및 고정확도 객체 감지 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 훈련 트릭 지원, TFLite, ONNX, CoreML 및 TensorRT와 같은 내보내기 형식과의 호환성이 있습니다. Ultralytics YOLOv5가 프로젝트를 어떻게 향상시킬 수 있는지 자세히 알아보려면 TFLite, ONNX, CoreML, TensorRT 내보내기 가이드를 살펴보세요.
내 데이터 세트에서 사용자 정의 YOLOv5 모델을 어떻게 훈련할 수 있습니까?
데이터 세트에서 사용자 정의 YOLOv5 모델을 학습하려면 몇 가지 주요 단계가 필요합니다. 먼저 필요한 형식으로 데이터 세트를 준비하고 레이블로 주석을 답니다. 그런 다음 YOLOv5 학습 파라미터를 구성하고 train.py 스크립트를 참조하십시오. 이 과정에 대한 자세한 튜토리얼은 다음을 참조하십시오. 사용자 정의 데이터 학습 가이드. 특정 사용 사례에 대한 최적의 결과를 보장하기 위한 단계별 지침을 제공합니다.
RCNN과 같은 다른 객체 감지 모델 대신 Ultralytics YOLOv5를 사용해야 하는 이유는 무엇입니까?
Ultralytics YOLOv5는 실시간 객체 감지에서 뛰어난 속도와 정확성으로 인해 R-CNN과 같은 모델보다 선호됩니다. YOLOv5는 전체 이미지를 한 번에 처리하므로 여러 번 통과해야 하는 RCNN의 영역 기반 접근 방식에 비해 훨씬 빠릅니다. 또한 YOLOv5는 다양한 내보내기 형식과의 원활한 통합과 광범위한 문서 덕분에 초보자와 전문가 모두에게 탁월한 선택입니다. 아키텍처의 장점에 대한 자세한 내용은 아키텍처 요약에서 확인하십시오.
훈련 중에 YOLOv5 모델 성능을 어떻게 최적화할 수 있습니까?
YOLOv5 모델 성능을 최적화하려면 다양한 하이퍼파라미터를 조정하고 데이터 증강 및 전이 학습과 같은 기술을 통합해야 합니다. Ultralytics는 모델 효율성을 개선하기 위해 하이퍼파라미터 진화 및 가지치기/희소성에 대한 포괄적인 리소스를 제공합니다. 최적의 학습 결과를 얻기 위한 실질적인 팁을 제공하는 최적의 학습 결과 팁 가이드에서 유용한 정보를 얻을 수 있습니다.
YOLOv5 애플리케이션 실행을 위해 지원되는 환경은 무엇입니까?
Ultralytics YOLOv5는 Gradient, Google Colab 및 Kaggle의 무료 GPU 노트북과 Google Cloud, Amazon AWS 및 Azure와 같은 주요 클라우드 플랫폼을 포함한 다양한 환경을 지원합니다. 편리한 설정을 위해 Docker 이미지도 사용할 수 있습니다. 이러한 환경 설정에 대한 자세한 내용은 각 플랫폼에 대한 단계별 지침이 포함된 지원되는 환경 섹션을 참조하십시오.
