YOLOv5를 사용하려면 저장소를 복제해야 합니까?

추론에는 필요하지 않습니다. PyTorch Hub는 torch.hub.load("ultralytics/yolov5", "yolov5s")을 통해 필요에 따라 코드와 가중치를 다운로드합니다. train.py, val.py, detect.py, export.py 스크립트를 실행하려면 복제가 필요합니다.

어떤 YOLOv5 모델로 시작해야 합니까?

yolov5s.pt은 대부분의 프로젝트에서 속도와 정확도의 가장 이상적인 균형을 제공합니다. 엣지 디바이스에는 yolov5n.pt을 사용하고, 속도보다 정확도가 중요할 때는 yolov5m.pt에서 yolov5x.pt까지를 사용하며, 1280 픽셀에서 학습할 때는 yolov5s6.pt와 같은 P6 변형을 사용하십시오. 전체 목록은 사전 학습된 체크포인트 테이블을 참조하십시오.

내 데이터셋으로 학습하는 방법은 무엇입니까?

이미지와 YOLO 형식 라벨을 평행한 images/ 및 labels/ 폴더에 넣고, dataset.yaml에서 설명한 다음 python train.py --data dataset.yaml --weights yolov5s.pt을 실행합니다. 커스텀 데이터 학습 튜토리얼에서 각 단계를 안내합니다.

새 프로젝트에 여전히 YOLOv5가 올바른 선택입니까?

YOLOv5는 안정적이며 독립형 저장소에서 완전히 지원되지만 더 이상 최신 모델이 아닙니다. 새로운 작업의 경우, ultralytics 패키지의 YOLO26은 더 빠르고 정확하며, 퀵스타트에 설명된 동일한 pip install ultralytics 워크플로를 사용하여 NMS 없이 엔드투엔드로 내보냅니다.

YOLOv5 빠른 시작 🚀#

Ultralytics YOLOv5와 함께 실시간 객체 탐지의 역동적인 세계로 여정을 시작해 보세요! 이 가이드는 YOLOv5를 능숙하게 사용하려는 AI 애호가와 전문가를 위한 종합적인 출발점으로 제작되었습니다. 초기 설정부터 고급 학습 기법까지 모두 다룹니다. 이 가이드를 마치면 최첨단 딥러닝 방법을 사용하여 YOLOv5를 프로젝트에 자신 있게 구현하는 데 필요한 지식을 갖추게 됩니다. 엔진에 시동을 걸고 YOLOv5의 세계로 힘차게 나아가 보세요!

설치#

YOLOv5 저장소를 복제하고 환경을 설정하여 출발을 준비합니다. 이렇게 하면 필요한 모든 요구 사항이 설치됩니다. Python>=3.8.0과 PyTorch>=1.8이 준비되어 있는지 확인하세요. 이러한 기반 도구는 YOLOv5를 효과적으로 실행하는 데 필수적입니다.

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

PyTorch Hub를 사용한 추론#

YOLOv5 PyTorch Hub 추론의 간편함을 경험해 보세요. 최신 YOLOv5 릴리스에서 모델이 원활하게 다운로드됩니다. 이 방법은 간편한 모델 로딩과 실행을 위해 PyTorch의 강력한 기능을 활용하므로 예측을 쉽게 생성할 수 있습니다.

import torch

# Model loading
model = torch.hub.load("ultralytics/yolov5", "yolov5s")  # Can be 'yolov5n' - 'yolov5x6', or 'custom'

# Inference on images
img = "https://ultralytics.com/images/zidane.jpg"  # Can be a file, Path, PIL, OpenCV, numpy, or list of images

# Run inference
results = model(img)

# Display results
results.print()  # or .show(), .save(), .crop(), .pandas(), etc.

detect.py를 사용한 추론#

detect.py을 활용하여 다양한 소스에서 다목적 추론을 수행할 수 있습니다. 이 스크립트는 최신 YOLOv5 릴리스에서 모델을 자동으로 가져오고 결과를 손쉽게 저장합니다. 이 스크립트는 명령줄 사용 및 YOLOv5를 더 큰 시스템에 통합하는 데 이상적이며, 이미지, 비디오, 디렉토리, 웹캠, 심지어 라이브 스트림과 같은 입력도 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#

아래의 학습 지침에 따라 YOLOv5 COCO 데이터셋 벤치마크를 재현합니다. 필요한 모델 및 데이터셋(coco128.yaml 또는 전체 coco.yaml 등)은 최신 YOLOv5 릴리스에서 직접 다운로드됩니다. V100 GPU에서 YOLOv5n/s/m/l/x를 학습하는 데는 각각 일반적으로 1일/2일/4일/6일/8일이 소요됩니다(다중 GPU 학습 설정 시 더 빠르게 작동함에 유의하세요). 가능한 가장 높은 --batch-size를 사용하거나 최적의 배치 크기를 자동으로 찾는 YOLOv5 AutoBatch 기능에 --batch-size -1을 사용하여 성능을 극대화하십시오. 다음 배치 크기는 V100-16GB GPU에 이상적입니다. 모델 구성 파일(*.yaml)에 대한 자세한 내용은 아키텍처 요약을 참조하십시오.

# 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

마지막으로 YOLOv5는 최첨단 객체 탐지 도구일 뿐만 아니라, 시각적 이해를 통해 우리가 세상과 상호 작용하는 방식을 변화시키는 머신러닝의 힘을 보여주는 증거이기도 합니다. 이 가이드를 따라가며 YOLOv5를 프로젝트에 적용하기 시작할 때, 여러분이 컴퓨터 비전 분야에서 놀라운 성과를 달성할 수 있는 기술 혁명의 최전선에 있다는 점을 기억하세요. 더 많은 정보를 얻거나 다른 비전 전문가의 지원이 필요하다면, 개발자와 연구자로 구성된 활발한 커뮤니티가 있는 GitHub 저장소에 방문해 보세요. 데이터 세트 관리와 코드 없이 모델을 학습할 수 있는 Ultralytics Platform과 같은 추가 리소스를 살펴보거나, 실제 애플리케이션과 영감을 얻으려면 Solutions 페이지를 확인하세요. 계속 탐색하고, 계속 혁신하며, YOLOv5의 놀라운 기능을 즐겨 보세요. 즐거운 탐지 되세요! 🌠🔍

FAQ#

추론에는 필요하지 않습니다. PyTorch Hub는 torch.hub.load("ultralytics/yolov5", "yolov5s")을 통해 필요에 따라 코드와 가중치를 다운로드합니다. train.py, val.py, detect.py, export.py 스크립트를 실행하려면 복제가 필요합니다.
yolov5s.pt은 대부분의 프로젝트에서 속도와 정확도의 가장 이상적인 균형을 제공합니다. 엣지 디바이스에는 yolov5n.pt을 사용하고, 속도보다 정확도가 중요할 때는 yolov5m.pt에서 yolov5x.pt까지를 사용하며, 1280 픽셀에서 학습할 때는 yolov5s6.pt와 같은 P6 변형을 사용하십시오. 전체 목록은 사전 학습된 체크포인트 테이블을 참조하십시오.
이미지와 YOLO 형식 라벨을 평행한 images/ 및 labels/ 폴더에 넣고, dataset.yaml에서 설명한 다음 python train.py --data dataset.yaml --weights yolov5s.pt을 실행합니다. 커스텀 데이터 학습 튜토리얼에서 각 단계를 안내합니다.
YOLOv5는 안정적이며 독립형 저장소에서 완전히 지원되지만 더 이상 최신 모델이 아닙니다. 새로운 작업의 경우, ultralytics 패키지의 YOLO26은 더 빠르고 정확하며, 퀵스타트에 설명된 동일한 pip install ultralytics 워크플로를 사용하여 NMS 없이 엔드투엔드로 내보냅니다.

기여자

GLglenn-jocher² RAraimbekovm¹

생성됨 3개월 전업데이트됨 2주 전