Ultralytics YOLOv5 종합 가이드#
Ultralytics YOLOv5🚀 문서에 오신 것을 환영합니다! 혁신적인 "한 번 보면 모두 탐지한다" 객체 탐지 모델의 다섯 번째 버전인 Ultralytics YOLOv5는 실시간으로 고속·고정확도 결과를 제공하도록 설계되었습니다. YOLOv5는 여전히 강력한 도구이지만, 최신 기술 발전을 확인하려면 후속 모델인 Ultralytics YOLOv8, YOLO11, YOLO26을 살펴보시기 바랍니다.
PyTorch를 기반으로 구축된 이 강력한 딥러닝 프레임워크는 다재다능함, 편리한 사용성, 높은 성능으로 큰 인기를 얻고 있습니다. 이 문서에서는 설치 과정을 안내하고, 모델 아키텍처의 세부 사항을 설명하며, 다양한 사용 사례를 소개하고, 여러 상세 튜토리얼을 제공합니다. 이러한 자료를 통해 컴퓨터 비전 프로젝트에서 YOLOv5의 잠재력을 최대한 활용할 수 있습니다. 시작해 보겠습니다!
탐색 및 학습#
다음은 YOLOv5의 다양한 측면을 안내하는 종합 튜토리얼 모음입니다.
- 사용자 지정 데이터 학습 🚀 권장: 사용자 지정 데이터셋으로 YOLOv5 모델을 학습하는 방법을 알아봅니다.
- 최상의 학습 결과를 위한 팁 ☘️: 모델 학습 과정을 최적화하기 위한 실용적인 팁을 확인합니다.
- 다중 GPU 학습: 여러 GPU를 활용하여 학습을 가속하는 방법을 알아봅니다.
- PyTorch Hub: PyTorch Hub를 통해 사전 훈련된 모델을 로드하는 방법을 알아보세요.
- TFLite, ONNX, CoreML, TensorRT 내보내기 🚀: 모델을 다양한 형식으로 내보내는 방법을 알아봅니다.
- 테스트 시점 증강 (TTA): TTA를 사용하여 모델의 예측 정확도를 향상하는 방법을 살펴봅니다.
- 모델 앙상블: 성능 향상을 위해 여러 모델을 결합하는 전략을 알아봅니다.
- 모델 가지치기/희소성: 가지치기와 희소성 개념 및 더 효율적인 모델을 생성하는 방법을 알아봅니다.
- 하이퍼파라미터 진화: 더 나은 모델 성능을 위한 자동 하이퍼파라미터 튜닝 과정을 살펴봅니다.
- 동결 레이어를 사용한 전이 학습: YOLOv5에서 레이어를 동결하여 전이 학습을 구현하는 방법을 알아봅니다.
- 아키텍처 요약 🌟 YOLOv5 모델의 구조적 세부 사항을 자세히 살펴봅니다. 더 많은 정보를 확인하려면 YOLOv5 v6.0 블로그 게시물을 읽어보시기 바랍니다.
- 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 알아봅니다.
- Comet 로깅 통합: 향상된 모델 학습 로깅을 위해 Comet을 활용하는 방법을 살펴보세요.
지원 환경#
Ultralytics는 프로젝트를 바로 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.
- 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 통과했음을 나타냅니다. 이러한 CI 테스트는 학습, 검증, 추론, 내보내기, 벤치마크 등 여러 주요 측면에서 YOLOv5의 기능과 성능을 엄격하게 점검합니다. 또한 macOS, Windows, Ubuntu에서 일관되고 안정적으로 작동하는지 확인하며, 24시간마다 그리고 새 커밋이 생성될 때마다 테스트를 수행합니다.
연결 및 기여#
YOLOv5를 활용하는 여정은 혼자일 필요가 없습니다. GitHub에서 활발한 커뮤니티에 참여하고, LinkedIn에서 전문가들과 교류하며, Twitter에서 결과를 공유하고, YouTube에서 교육 자료를 찾아보시기 바랍니다. 더 흥미로운 콘텐츠를 확인하려면 TikTok과 BiliBili에서도 저희를 팔로우해 주세요.
기여에 관심이 있으신가요? 코드 개선과 버그 보고부터 문서 업데이트까지 모든 형태의 기여를 환영합니다. 자세한 내용은 기여 가이드라인을 확인해 보시기 바랍니다.
YOLOv5를 활용하여 여러분이 만들어 낼 혁신적인 방법이 기대됩니다. 컴퓨터 비전 프로젝트에 뛰어들어 실험하고 혁신을 일으켜 보세요! 🚀
FAQ#
Ultralytics YOLOv5는 고속·고정확도 객체 탐지 기능으로 잘 알려져 있습니다. PyTorch를 기반으로 구축되어 다재다능하고 사용하기 쉬우므로 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 향상할 수 있는지 자세히 알아보려면 TFLite, ONNX, CoreML, TensorRT 내보내기 가이드를 살펴보시기 바랍니다.
데이터셋에서 사용자 지정 YOLOv5 모델을 학습하려면 몇 가지 주요 단계를 거쳐야 합니다. 먼저 레이블이 주석으로 지정된 데이터셋을 필요한 형식으로 준비합니다. 그런 다음 YOLOv5 학습 매개변수를 구성하고
train.py스크립트를 사용하여 학습 과정을 시작합니다. 이 과정에 대한 자세한 튜토리얼은 사용자 지정 데이터 학습 가이드를 참조하시기 바랍니다. 이 가이드는 특정 사용 사례에서 최적의 결과를 얻을 수 있도록 단계별 지침을 제공합니다.YOLOv5 모델 성능을 최적화하려면 다양한 하이퍼파라미터를 조정하고 데이터 증강 및 전이 학습과 같은 기법을 적용해야 합니다. Ultralytics는 모델 효율성을 향상하기 위한 하이퍼파라미터 진화 및 가지치기/희소성에 관한 종합적인 자료를 제공합니다. 학습 중 최적의 성능을 달성하기 위한 실행 가능한 인사이트는 실용적인 팁을 제공하는 최상의 학습 결과를 위한 팁 가이드에서 확인할 수 있습니다.
Ultralytics YOLOv5는 Gradient, Google Colab, Kaggle의 무료 GPU 노트북과 Google Cloud, Amazon AWS, Azure와 같은 주요 클라우드 플랫폼을 비롯한 다양한 환경을 지원합니다. 편리한 설정을 위해 Docker 이미지도 사용할 수 있습니다. 이러한 환경 설정에 관한 자세한 가이드는 각 플랫폼에 대한 단계별 지침을 포함한 지원 환경 섹션을 참조하시기 바랍니다.