Ultralytics YOLOv5 종합 가이드#
Ultralytics YOLOv5 🚀 문서에 오신 것을 환영합니다! 혁신적인 “You Only Look Once” 객체 탐지 모델의 다섯 번째 버전인 Ultralytics YOLOv5는 실시간으로 빠르고 정확한 결과를 제공하도록 설계되었습니다. YOLOv5는 여전히 강력한 도구이지만, 최신 기술을 살펴보려면 후속 모델인 Ultralytics YOLOv8, YOLO11, YOLO26도 확인해 보세요.
PyTorch를 기반으로 구축된 이 강력한 딥러닝 프레임워크는 다재다능함과 사용 편의성, 높은 성능으로 큰 인기를 얻었습니다. 이 문서에서는 설치 과정을 안내하고 모델 아키텍처의 세부 사항을 설명하며, 다양한 활용 사례와 상세한 튜토리얼을 제공합니다. 이러한 리소스를 활용하면 컴퓨터 비전 프로젝트에서 YOLOv5의 잠재력을 최대한 발휘할 수 있습니다. 시작해 보세요!
살펴보고 배우기#
다음은 YOLOv5의 여러 측면을 안내하는 종합 튜토리얼 모음입니다.
- 사용자 지정 데이터 학습하기 🚀 권장: 사용자 지정 데이터셋으로 YOLOv5 모델을 학습하는 방법을 알아보세요.
- 최상의 학습 결과를 위한 팁 ☘️: 모델 학습 과정을 최적화하는 실용적인 팁을 확인해 보세요.
- 멀티 GPU 학습: 여러 GPU를 활용해 학습 속도를 높이는 방법을 알아보세요.
- PyTorch Hub: PyTorch Hub를 통해 사전 학습된 모델을 불러오는 방법을 알아보세요.
- TFLite, ONNX, CoreML, TensorRT 내보내기 🚀: 모델을 다양한 형식으로 내보내는 방법을 알아보세요.
- 테스트 시점 증강(TTA): TTA를 사용해 모델의 예측 정확도를 높이는 방법을 살펴보세요.
- 모델 앙상블: 여러 모델을 결합해 성능을 향상하는 전략을 알아보세요.
- 모델 가지치기/희소성: 가지치기와 희소성 개념, 더 효율적인 모델을 만드는 방법을 알아보세요.
- 하이퍼파라미터 진화: 더 나은 모델 성능을 위한 자동 하이퍼파라미터 튜닝 과정을 살펴보세요.
- 레이어 고정을 통한 전이 학습: YOLOv5의 레이어를 고정해 전이 학습을 구현하는 방법을 알아보세요.
- 아키텍처 요약 🌟 YOLOv5 모델의 구조적 세부 사항을 살펴보세요. 자세한 내용은 YOLOv5 v6.0 블로그 게시물을 읽어보세요.
- ClearML 로깅 통합 🌟 모델 학습 중 효율적인 로깅을 위해 ClearML을 통합하는 방법을 알아보세요.
- Neural Magic을 사용하는 YOLOv5: Neural Magic의 DeepSparse를 사용해 YOLOv5 모델을 가지치기하고 양자화하는 방법을 살펴보세요.
- Comet 로깅 통합: 모델 학습 로깅을 개선하기 위해 Comet을 활용하는 방법을 살펴보세요.
지원 환경#
Ultralytics는 프로젝트를 바로 시작할 수 있도록 CUDA, CuDNN, Python, PyTorch 등의 필수 의존성이 사전 설치된 다양한 환경을 제공합니다. Ultralytics Platform을 사용해 모델과 데이터셋을 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 통과했음을 나타냅니다. 이 CI 테스트는 학습, 검증, 추론, 내보내기, 벤치마크 등 여러 주요 측면에서 YOLOv5의 기능과 성능을 철저히 확인합니다. 테스트는 24시간마다 그리고 새 커밋이 있을 때마다 실행되어 macOS, Windows, Ubuntu에서 일관되고 안정적으로 작동하는지 확인합니다.
함께하고 기여하기#
YOLOv5를 사용하는 여정은 혼자만의 여정일 필요가 없습니다. GitHub의 활발한 커뮤니티에 참여하고, LinkedIn에서 전문가들과 교류하고, Twitter에 결과를 공유하고, YouTube에서 교육 자료를 찾아보세요. 더 흥미로운 콘텐츠를 보려면 TikTok과 BiliBili에서 저희를 팔로우하세요.
기여에 관심이 있으신가요? 코드 개선과 버그 보고부터 문서 업데이트까지 모든 형태의 기여를 환영합니다. 자세한 내용은 기여 가이드라인을 확인하세요.
YOLOv5를 활용해 어떤 혁신적인 방법을 보여주실지 기대됩니다. 직접 사용하고 실험하며 컴퓨터 비전 프로젝트를 혁신해 보세요! 🚀
자주 묻는 질문#
Ultralytics YOLOv5는 빠른 속도와 높은 정확도를 갖춘 객체 탐지 기능으로 잘 알려져 있습니다. PyTorch를 기반으로 구축된 YOLOv5는 다재다능하고 사용하기 쉬워 다양한 컴퓨터 비전 프로젝트에 적합합니다. 주요 기능으로는 실시간 추론, 테스트 시점 증강(TTA) 및 모델 앙상블과 같은 추론 기법 지원, TFLite, ONNX, CoreML, TensorRT 등의 내보내기 형식과의 호환성이 있습니다. Ultralytics YOLOv5가 프로젝트를 어떻게 향상할 수 있는지 자세히 알아보려면 TFLite, ONNX, CoreML, TensorRT 내보내기 가이드를 살펴보세요.
데이터셋으로 사용자 지정 YOLOv5 모델을 학습하려면 몇 가지 주요 단계를 거쳐야 합니다. 먼저 레이블을 지정해 데이터셋을 필수 형식으로 준비하세요. 그런 다음 YOLOv5 학습 매개변수를 설정하고
train.py스크립트를 사용해 학습을 시작하세요. 자세한 튜토리얼은 사용자 지정 데이터 학습 가이드를 참조하세요. 이 가이드는 구체적인 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 높이는 하이퍼파라미터 진화 및 가지치기/희소성에 관한 종합적인 리소스를 제공합니다. 학습 중 최적의 성능을 달성하기 위한 실용적인 팁과 구체적인 인사이트는 최상의 학습 결과를 위한 팁 가이드에서 확인할 수 있습니다.
Ultralytics YOLOv5는 Gradient, Google Colab, Kaggle의 무료 GPU 노트북을 비롯해 Google Cloud, Amazon AWS, Azure와 같은 주요 클라우드 플랫폼 등 다양한 환경을 지원합니다. 간편한 설정을 위한 Docker 이미지도 제공됩니다. 각 플랫폼의 단계별 지침을 포함한 자세한 환경 설정 방법은 지원 환경 섹션을 확인하세요.