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 독립형 저장소에서 계속 완벽하게 지원되지만, 더 이상 최신 모델은 아닙니다. 새로운 프로젝트에는 ultralytics 패키지의 YOLO26이 더 빠르고 정확하며 NMS 없이 엔드투엔드로 내보낼 수 있습니다. 빠른 시작에 설명된 것과 동일한 pip install ultralytics 워크플로를 사용합니다.

YOLOv5 빠른 시작 🚀#

Ultralytics YOLOv5와 함께 역동적인 실시간 객체 탐지의 세계에 첫발을 내디뎌 보세요! 이 가이드는 YOLOv5를 익히고자 하는 AI 애호가와 전문가를 위한 종합적인 시작 안내서입니다. 초기 설정부터 고급 학습 기법까지 필요한 내용을 모두 다룹니다. 이 가이드를 마치면 최신 딥러닝 기법을 활용해 YOLOv5를 프로젝트에 자신 있게 적용할 수 있습니다. 엔진을 가동하고 YOLOv5와 함께 도약해 보세요!

설치#

YOLOv5 저장소를 복제하고 환경을 설정해 시작을 준비하세요. 이를 통해 필요한 모든 요구 사항이 설치됩니다. Python>=3.8.0과 PyTorch>=1.8이 준비되어 있는지 확인하세요. 이러한 기본 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 Hub로 추론하기#

모델이 최신 YOLOv5 릴리스에서 원활하게 다운로드되는 YOLOv5 PyTorch Hub 추론의 간편함을 경험해 보세요. 이 방법은 PyTorch의 강력한 기능을 활용해 모델을 쉽게 불러오고 실행하므로 예측을 간편하게 수행할 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 소스에서 유연하게 추론을 수행하려면 detect.py을 사용하세요. 최신 YOLOv5 릴리스에서 모델을 자동으로 가져오고 결과를 간편하게 저장합니다. 이 스크립트는 명령줄에서 사용하거나 YOLOv5를 대규모 시스템에 통합하는 데 적합하며, 이미지, 동영상, 디렉터리, 웹캠, 라이브 스트림 등의 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

결론적으로 YOLOv5는 객체 감지를 위한 최첨단 도구일 뿐만 아니라, 시각적 이해를 통해 세상과 상호작용하는 방식을 변화시키는 머신러닝의 힘을 보여주는 증거이기도 합니다. 이 가이드를 따라 YOLOv5를 프로젝트에 적용하기 시작하면, 여러분은 컴퓨터 비전 분야에서 놀라운 성과를 이룰 수 있는 기술 혁명의 최전선에 서게 됩니다. 더 자세한 정보나 동료 전문가의 지원이 필요하다면, 개발자와 연구자가 활발히 활동하는 커뮤니티의 중심인 GitHub 저장소를 방문해 보세요. 데이터셋 관리와 코드 없이 모델 학습을 지원하는 Ultralytics Platform 등의 리소스를 살펴보거나, 실제 활용 사례와 영감을 얻으려면 솔루션 페이지를 확인하세요. 계속 탐구하고 혁신하며 YOLOv5의 놀라운 기능을 경험해 보세요. 즐거운 감지를 바랍니다! 🌠🔍

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 독립형 저장소에서 계속 완벽하게 지원되지만, 더 이상 최신 모델은 아닙니다. 새로운 프로젝트에는 ultralytics 패키지의 YOLO26이 더 빠르고 정확하며 NMS 없이 엔드투엔드로 내보낼 수 있습니다. 빠른 시작에 설명된 것과 동일한 pip install ultralytics 워크플로를 사용합니다.

기여자

GLglenn-jocher² RAraimbekovm¹

생성 날짜 4개월 전업데이트 날짜 지난달

Get Started

YOLOv5 빠른 시작 🚀#

설치#

PyTorch Hub로 추론하기#

detect.py를 사용한 추론#

학습#

자주 묻는 질문#

댓글