YOLOv5를 사용하려면 저장소를 복제해야 하나요?

추론에는 필요하지 않습니다. PyTorch Hub는 torch.hub.load("ultralytics/yolov5", "yolov5s")을 사용해 필요할 때 코드와 가중치를 다운로드합니다. train.py, val.py, detect.py, export.py 스크립트를 실행하려면 저장소를 복제해야 합니다.

어떤 YOLOv5 모델로 시작하는 것이 좋나요?

대부분의 프로젝트에서는 속도와 정확도의 균형이 가장 좋은 모델이 yolov5s.pt입니다. 엣지 디바이스에는 yolov5n.pt을 사용하고, 속도보다 정확도가 중요하다면 yolov5m.pt부터 yolov5x.pt까지 사용하세요. 1280픽셀로 학습하려면 yolov5s6.pt와 같은 P6 변형 모델을 사용하세요. 전체 목록은 사전 학습 체크포인트 표를 참조하세요.

내 데이터셋으로 학습하려면 어떻게 해야 하나요?

이미지와 YOLO 형식 레이블을 각각 images/ 및 labels/ 폴더에 넣고, dataset.yaml에 설명을 작성한 다음 python train.py --data dataset.yaml --weights yolov5s.pt을 실행하세요. 사용자 지정 데이터 학습 튜토리얼에서 각 단계를 안내합니다.

새 프로젝트에 YOLOv5를 계속 사용하는 것이 좋을까요?

YOLOv5는 안정적이며 독립 저장소에서 계속 완전히 지원되지만, 더 이상 최신 모델은 아닙니다. 새로운 작업에는 ultralytics 패키지의 YOLO26이 더 빠르고 정확하며, NMS 없이 엔드투엔드로 내보내고 빠른 시작에 설명된 것과 동일한 pip install ultralytics 워크플로를 사용합니다.

YOLOv5 빠른 시작 🚀#

이 가이드는 Ultralytics YOLOv5로 실시간 객체 탐지를 시작하기 위한 안내서입니다. 설치, PyTorch Hub 및 detect.py을 사용한 추론, 학습을 다루므로 이 딥러닝 모델을 자체 프로젝트에 적용할 수 있습니다.

설치#

YOLOv5 저장소를 복제하고 Python>=3.8.0 및 PyTorch>=1.8이 설치된 환경에서 요구 사항을 설치합니다.

git clone https://github.com/ultralytics/yolov5 # clone repository
cd yolov5
pip install -r requirements.txt # install dependencies

PyTorch Hub로 추론하기#

PyTorch Hub를 통해 YOLOv5 추론을 실행하면 최신 YOLOv5 릴리스에서 모델을 자동으로 다운로드합니다. 이 방법은 모델 로드와 실행에 PyTorch를 사용하므로 예측을 간편하게 생성할 수 있습니다.

import torch

# 모델 로드
model = torch.hub.load("ultralytics/yolov5", "yolov5s")  # 'yolov5n'부터 'yolov5x6'까지 또는 'custom'일 수 있습니다.

# 이미지 추론
img = "https://ultralytics.com/images/zidane.jpg"  # 파일, Path, PIL, OpenCV, numpy 또는 이미지 목록일 수 있습니다.

# 추론 실행
results = model(img)

# 결과 표시
results.print()  # 또는 .show(), .save(), .crop(), .pandas() 등입니다.

detect.py를 사용한 추론#

다양한 입력 소스에 대한 추론에는 detect.py을 사용합니다. 최신 YOLOv5 릴리스에서 모델을 자동으로 가져오고 결과를 runs/detect에 저장합니다. 이 스크립트는 명령줄에서 사용하거나 YOLOv5를 대규모 시스템에 통합하는 데 적합하며, 이미지, 동영상, 디렉터리, 웹캠, 라이브 스트림까지 다양한 입력을 지원합니다.

python detect.py --weights yolov5s.pt --source 0                              # webcam
python detect.py --weights yolov5s.pt --source image.jpg                      # image
python detect.py --weights yolov5s.pt --source video.mp4                      # video
python detect.py --weights yolov5s.pt --source screen                         # screenshot
python detect.py --weights yolov5s.pt --source path/                          # directory
python detect.py --weights yolov5s.pt --source list.txt                       # list of images
python detect.py --weights yolov5s.pt --source list.streams                   # list of streams
python detect.py --weights yolov5s.pt --source 'path/*.jpg'                   # glob pattern
python detect.py --weights yolov5s.pt --source 'https://youtu.be/LNwODJXcvt4' # YouTube video
python detect.py --weights yolov5s.pt --source 'rtsp://example.com/media.mp4' # RTSP, RTMP, HTTP stream

학습#

아래 학습 지침에 따라 YOLOv5 COCO 데이터셋 벤치마크를 재현하세요. 필요한 모델과 데이터셋(coco128.yaml 또는 전체 coco.yaml 등)은 최신 YOLOv5 릴리스에서 직접 가져옵니다. V100 GPU에서 YOLOv5n/s/m/l/x를 학습하는 데는 일반적으로 각각 1/2/4/6/8일이 걸립니다(멀티 GPU 학습을 사용하면 더 빠릅니다). 가능한 가장 높은 --batch-size를 사용하거나 --batch-size -1을 사용해 YOLOv5 AutoBatch 기능으로 최적의 배치 크기를 자동으로 찾으면 성능을 극대화할 수 있습니다. 다음 배치 크기는 V100-16GB GPU에 적합합니다. 모델 구성 파일(*.yaml)에 관한 자세한 내용은 아키텍처 요약을 참조하세요.

# Train YOLOv5n on COCO128 for 3 epochs
python train.py --data coco128.yaml --epochs 3 --weights yolov5n.pt --batch-size 128

# Train YOLOv5s on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5s.yaml --batch-size 64

# Train YOLOv5m on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5m.yaml --batch-size 40

# Train YOLOv5l on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5l.yaml --batch-size 24

# Train YOLOv5x on COCO for 300 epochs
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5x.yaml --batch-size 16

YOLOv5를 컴퓨터 비전 프로젝트에 적용할 때 GitHub 저장소에서 다른 개발자 및 연구자에게 질문하고 결과를 공유할 수 있습니다. 또한 Ultralytics Platform을 사용해 코드 없이 데이터셋과 모델을 관리하고 학습하거나, 실제 적용 사례를 살펴보려면 솔루션 페이지를 확인할 수 있습니다.

자주 묻는 질문#

추론에는 필요하지 않습니다. PyTorch Hub는 torch.hub.load("ultralytics/yolov5", "yolov5s")을 사용해 필요할 때 코드와 가중치를 다운로드합니다. train.py, val.py, detect.py, export.py 스크립트를 실행하려면 저장소를 복제해야 합니다.
대부분의 프로젝트에서는 속도와 정확도의 균형이 가장 좋은 모델이 yolov5s.pt입니다. 엣지 디바이스에는 yolov5n.pt을 사용하고, 속도보다 정확도가 중요하다면 yolov5m.pt부터 yolov5x.pt까지 사용하세요. 1280픽셀로 학습하려면 yolov5s6.pt와 같은 P6 변형 모델을 사용하세요. 전체 목록은 사전 학습 체크포인트 표를 참조하세요.
이미지와 YOLO 형식 레이블을 각각 images/ 및 labels/ 폴더에 넣고, dataset.yaml에 설명을 작성한 다음 python train.py --data dataset.yaml --weights yolov5s.pt을 실행하세요. 사용자 지정 데이터 학습 튜토리얼에서 각 단계를 안내합니다.
YOLOv5는 안정적이며 독립 저장소에서 계속 완전히 지원되지만, 더 이상 최신 모델은 아닙니다. 새로운 작업에는 ultralytics 패키지의 YOLO26이 더 빠르고 정확하며, NMS 없이 엔드투엔드로 내보내고 빠른 시작에 설명된 것과 동일한 pip install ultralytics 워크플로를 사용합니다.

기여자

GLglenn-jocher³ RAraimbekovm¹

생성 날짜 4개월 전업데이트 날짜 3일 전

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.