μ¬μ©μ μ§μ λ°μ΄ν° νλ ¨
μ΄ κ°μ΄λμμλ λ€μμ μ¬μ©νμ¬ μ¬μ©μ μ§μ λ°μ΄ν° μΈνΈλ₯Ό νλ ¨νλ λ°©λ²μ μ€λͺ ν©λλ€. YOLOv5 π.
μμνκΈ° μ μ
리ν¬μ§ν 리λ₯Ό 볡μ νκ³ μꡬμ¬ν.txtλ₯Ό μ€μΉν©λλ€. Python>=3.8.0 νκ²½μ ν¬ν¨νμ¬ PyTorch>=1.8. λͺ¨λΈ λ° λ°μ΄ν° μΈνΈλ μ΅μ YOLOv5 릴리μ€μμ μλμΌλ‘ λ€μ΄λ‘λλ©λλ€.
git clone https://github.com/ultralytics/yolov5 # clone
cd yolov5
pip install -r requirements.txt # install
μ¬μ©μ μ§μ λ°μ΄ν°μ λν κ΅μ‘
κ°μ²΄λ₯Ό κ°μ§νλ μ¬μ©μ μ§μ λͺ¨λΈμ λ§λλ κ²μ μ΄λ―Έμ§λ₯Ό μμ§ λ° μ 리νκ³ , κ΄μ¬ κ°μ²΄μ λ μ΄λΈμ μ§μ νκ³ , λͺ¨λΈμ νμ΅μν€κ³ , μΌμμ λ°°ν¬νμ¬ μμΈ‘μ μνν λ€μ, λ°°ν¬λ λͺ¨λΈμ μ¬μ©νμ¬ μ£μ§ μ¬λ‘μ μλ₯Ό μμ§νμ¬ λ°λ³΅ λ° κ°μ νλ λ°λ³΅μ μΈ νλ‘μΈμ€μ λλ€.
λΌμ΄μ μ€
Ultralytics λ λ κ°μ§ λΌμ΄μ μ€ μ΅μ μ μ 곡ν©λλ€:
- AGPL-3.0 λΌμ΄μ μ€λ νμκ³Ό μ νΈκ°μκ² μ΄μμ μΈ OSI μΉμΈ μ€νμμ€ λΌμ΄μ μ€μ λλ€.
- μν°νλΌμ΄μ¦ λΌμ΄μ μ€λ μ ν λ° μλΉμ€μ AI λͺ¨λΈμ ν΅ν©νκ³ μ νλ κΈ°μ μ μν λΌμ΄μ μ€μ λλ€.
μμΈν λ΄μ©μ Ultralytics λΌμ΄μ μ€λ₯Ό μ°Έμ‘°νμΈμ.
YOLOv5 λͺ¨λΈμ ν΄λΉ λ°μ΄ν°μμ κ°μ²΄μ ν΄λμ€λ₯Ό νμ΅νκΈ° μν΄ λ μ΄λΈμ΄ μ§μ λ λ°μ΄ν°μ λν΄ νμ΅ν΄μΌ ν©λλ€. νμ΅μ μμνκΈ° μ μ λ°μ΄ν° μΈνΈλ₯Ό λ§λλ λ°λ λ κ°μ§ μ΅μ μ΄ μμ΅λλ€:
μ΅μ 1: λ°μ΄ν° μ§ν© λ§λ€κΈ° Roboflow λ°μ΄ν° μ§ν©
1.1 μ΄λ―Έμ§ μμ§
λͺ¨λΈμ λͺ¨λ²μ ν΅ν΄ νμ΅ν©λλ€. μ€μ μ μ μ¬ν μ΄λ―Έμ§λ‘ νλ ¨νλ κ²μ΄ κ°μ₯ μ€μν©λλ€. μ΅μ’ μ μΌλ‘ νλ‘μ νΈλ₯Ό λ°°ν¬ν λμ λμΌν ꡬμ±(μΉ΄λ©λΌ, κ°λ, μ‘°λͺ λ±)μμ λ€μν μ΄λ―Έμ§λ₯Ό μμ§νλ κ²μ΄ μ΄μμ μ λλ€.
μ΄κ²μ΄ λΆκ°λ₯νλ€λ©΄ κ³΅κ° λ°μ΄ν° μΈνΈμμ μμνμ¬ μ΄κΈ° λͺ¨λΈμ νλ ¨ν λ€μ μΆλ‘ νλ λμ μΌμμμ μ΄λ―Έμ§λ₯Ό μνλ§νμ¬ λ°μ΄ν° μΈνΈμ λͺ¨λΈμ λ°λ³΅μ μΌλ‘ κ°μ ν μ μμ΅λλ€.
1.2 λ μ΄λΈ λ§λ€κΈ°
μ΄λ―Έμ§λ₯Ό μμ§ν νμλ κ΄μ¬ μλ κ°μ²΄μ μ£Όμμ λ¬μ λͺ¨λΈμ΄ νμ΅ν μ μλ κ·Όκ±° μλ£λ₯Ό λ§λ€μ΄μΌ ν©λλ€.
Roboflow Annotateλ νκ³Ό ν¨κ» μ΄λ―Έμ§λ₯Ό κ΄λ¦¬νκ³ λΌλ²¨μ λΆμ΄κ³ YOLOv5 μ μ£Όμ νμμΌλ‘ λ΄λ³΄λΌ μ μλ κ°λ¨ν μΉ κΈ°λ° λꡬμ λλ€.
1.3 λ€μ λμμ λν λ°μ΄ν° μΈνΈ μ€λΉ YOLOv5
μ΄λ―Έμ§μ Roboflow λ μ΄λΈμ μ§μ νλ μ§μ νμ§ μλ , μ΄λ₯Ό μ¬μ©νμ¬ λ°μ΄ν° μΈνΈλ₯Ό YOLO νμμΌλ‘ λ³ννκ³ YOLOv5 YAML κ΅¬μ± νμΌμ μμ±ν λ€μ κ΅μ‘ μ€ν¬λ¦½νΈλ‘ κ°μ Έμ€κΈ° μν΄ νΈμ€ν ν μ μμ΅λλ€.
λ¬΄λ£ Roboflow κ³μ λ§λ€κΈ° λ₯Ό ν΄λ¦νκ³ λ°μ΄ν° μ§ν©μ Public
μμ
μμμμ μ£Όμμ΄ μλ μ΄λ―Έμ§μ λ μ΄λΈμ μ§μ ν λ€μ λ°μ΄ν° μΈνΈμ λ²μ μ μμ±νκ³ λ΄λ³΄λ΄κΈ° YOLOv5 Pytorch
νμμ
λλ€.
μ°Έκ³ : YOLOv5 λ κ΅μ‘ μ€μ μ¨λΌμΈ μ¦κ°μ μννλ―λ‘ Roboflow μμ YOLOv5 λ‘ κ΅μ‘ν λ μ¦κ° λ¨κ³λ₯Ό μ μ©νμ§ μλ κ²μ΄ μ’μ΅λλ€. νμ§λ§ λ€μ μ μ²λ¦¬ λ¨κ³λ₯Ό μ μ©νλ κ²μ΄ μ’μ΅λλ€:
- μλ λ°©ν₯ - μ΄λ―Έμ§μμ EXIF λ°©ν₯μ μ κ±°ν©λλ€.
- ν¬κΈ° μ‘°μ (λμ΄κΈ°) - λͺ¨λΈμ μ μ¬κ°ν μ λ ₯ ν¬κΈ°(640x640μ΄ YOLOv5 κΈ°λ³Έκ°)λ‘ μ‘°μ ν©λλ€.
λ²μ μ μμ±νλ©΄ λ°μ΄ν° μΈνΈμ μ€λ μ·μ΄ μ 곡λλ―λ‘ λμ€μ μ΄λ―Έμ§λ₯Ό λ μΆκ°νκ±°λ ꡬμ±μ λ³κ²½νλλΌλ μΈμ λ μ§ λμκ°μ ν₯ν λͺ¨λΈ νμ΅ μ€νμ μ΄ λ²μ κ³Ό λΉκ΅ν μ μμ΅λλ€.
λ΄λ³΄λ΄κΈ° YOLOv5 Pytorch
νμμ μ€λν«μ κ΅μ‘ μ€ν¬λ¦½νΈλ λ
ΈνΈλΆμ 볡μ¬νμ¬ λ°μ΄ν° μΈνΈλ₯Ό λ€μ΄λ‘λν©λλ€.
μ΅μ 2: μλ λ°μ΄ν° μΈνΈ λ§λ€κΈ°
2.1 λ§λ€κΈ° dataset.yaml
COCO128 μ 첫 128κ° μ΄λ―Έμ§λ‘ ꡬμ±λ μμ νν λ¦¬μΌ λ°μ΄ν° μΈνΈμ μμμ
λλ€. COCO train2017. These same 128 images are used for both training and validation to verify our training pipeline is capable of overfitting. data/coco128.yamlμ 1) λ°μ΄ν° μΈνΈ λ£¨νΈ λλ ν°λ¦¬λ₯Ό μ μνλ λ°μ΄ν° μΈνΈ κ΅¬μ± νμΌμ
λλ€. path
μ λν μλ κ²½λ‘μ train
/ val
/ test
μ΄λ―Έμ§ λλ ν 리 (λλ *.txt
νμΌ)κ³Ό 2) ν΄λμ€ names
μ¬μ :
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 images
test: # test images (optional)
# Classes (80 COCO classes)
names:
0: person
1: bicycle
2: car
# ...
77: teddy bear
78: hair drier
79: toothbrush
2.2 λ μ΄λΈ λ§λ€κΈ°
μ£Όμ λꡬλ₯Ό μ¬μ©νμ¬ μ΄λ―Έμ§μ λ μ΄λΈμ μ§μ ν ν λ μ΄λΈμ λ€μ μ£Όμλ‘ λ΄λ³΄λ
λλ€. YOLO νμνλλ‘ *.txt
νμΌ(μ΄λ―Έμ§μ κ°μ²΄κ° μλ κ²½μ°, μ΄λ―Έμ§λΉ *.txt
νμΌμ΄ νμν©λλ€). κ·Έλ¦¬κ³ *.txt
νμΌ μ¬μμ λ€μκ³Ό κ°μ΅λλ€:
- κ°μ²΄λΉ ν ν
- κ° νμ
class x_center y_center width height
νμμ λλ€. - μμ μ’νλ μ κ·νλ xywh νμ(0μμ 1κΉμ§)μ μ¬μ©ν©λλ€. μμκ° ν½μ
λ¨μλ‘ λμ΄ μμΌλ©΄
x_center
그리κ³width
λ₯Ό μ΄λ―Έμ§ λλΉλ‘, 그리κ³y_center
그리κ³height
μ΄λ―Έμ§ λμ΄λ₯Ό κΈ°μ€μΌλ‘ ν©λλ€. - ν΄λμ€ λ²νΈλ μ μΈλ±μ±λ©λλ€(0λΆν° μμ).
μ μ΄λ―Έμ§μ ν΄λΉνλ λΌλ²¨ νμΌμλ 2μΈ(ν΄λμ€ 0
) λ° λμ (ν΄λμ€ 27
):
2.3 λλ ν 리 μ 리
μλ μμ λ°λΌ κΈ°μ°¨ λ° λ°Έ μ΄λ―Έμ§μ λ μ΄λΈμ ꡬμ±ν©λλ€. YOLOv5 κ°μ /coco128
λ /datasets
λλ ν 리 μμ μ /yolov5
λλ ν°λ¦¬λ‘ μ΄λν©λλ€. YOLOv5 κ° μ΄λ―Έμ§μ λν΄ μλμΌλ‘ λ μ΄λΈμ μ°Ύμ΅λλ€. μ λ§μ§λ§ μΈμ€ν΄μ€λ₯Ό λ체νμ¬ /images/
λ₯Ό μ¬μ©νμ¬ κ° μ΄λ―Έμ§ κ²½λ‘μ /labels/
. μλ₯Ό λ€μ΄
3. λͺ¨λΈ μ ν
νλ ¨μ μμν μ¬μ νλ ¨λ λͺ¨λΈμ μ νν©λλ€. μ¬κΈ°μλ λ λ²μ§Έλ‘ μκ³ λΉ λ₯Έ λͺ¨λΈμΈ YOLOv5sλ₯Ό μ νν©λλ€. λͺ¨λ λͺ¨λΈμ λν μ 체 λΉκ΅λ README νλ₯Ό μ°Έμ‘°νμΈμ.
4. κΈ°μ°¨
λ°μ΄ν° μΈνΈ, λ°°μΉ ν¬κΈ°, μ΄λ―Έμ§ ν¬κΈ° λ° μ¬μ νμ΅λ λ€μ μ€ νλλ₯Ό μ§μ νμ¬ COCO128μμ YOLOv5s λͺ¨λΈμ νμ΅ν©λλ€. --weights yolov5s.pt
(κΆμ₯) λλ 무μμλ‘ μ΄κΈ°ν --weights '' --cfg yolov5s.yaml
(κΆμ₯νμ§ μμ). μ¬μ νμ΅λ κ°μ€μΉλ λ€μμμ μλμΌλ‘ λ€μ΄λ‘λλ©λλ€. μ΅μ YOLOv5 릴리μ€.
ν
π‘ μΆκ° --cache ram
λλ --cache disk
λ₯Ό μ¬μ©νμ¬ κ΅μ‘ μλλ₯Ό λμΌ μ μμ΅λλ€(μλΉν RAM/λμ€ν¬ 리μμ€κ° νμν¨).
ν
π‘ νμ λ‘컬 λ°μ΄ν° μΈνΈμμ νμ΅νμΈμ. Google λλΌμ΄λΈμ κ°μ λ§μ΄νΈ λλ λ€νΈμν¬ λλΌμ΄λΈλ λ§€μ° λ립λλ€.
λͺ¨λ κ΅μ‘ κ²°κ³Όλ λ€μ μ£Όμλ‘ μ μ₯λ©λλ€. runs/train/
μ€ν λλ ν°λ¦¬κ° μ¦κ°ν¨μ λ°λΌ, μλ₯Ό λ€μ΄ runs/train/exp2
, runs/train/exp3
λ± μμΈν λ΄μ©μ νν λ¦¬μΌ λ
ΈνΈλΆμ κ΅μ‘ μΉμ
μ μ°Έμ‘°νμΈμ.
5. μκ°ν
Comet λ‘κΉ λ° μκ°ν π μ κ·
Comet κ° μ΄μ YOLOv5 μ μμ ν ν΅ν©λμμ΅λλ€. μ€μκ°μΌλ‘ λͺ¨λΈ λ©νΈλ¦μ μΆμ λ° μκ°ννκ³ , νμ΄νΌνλΌλ―Έν°, λ°μ΄ν° μΈνΈ λ° λͺ¨λΈ 체ν¬ν¬μΈνΈλ₯Ό μ μ₯νκ³ , Comet μ¬μ©μ μ§μ ν¨λλ‘ λͺ¨λΈ μμΈ‘μ μκ°ννμΈμ! Comet μ μ¬μ©νλ©΄ μμ λ΄μ©μ λμΉμ§ μκ³ λͺ¨λ κ·λͺ¨μ νμμ κ²°κ³Όλ₯Ό μ½κ² 곡μ νκ³ νμ ν μ μμ΅λλ€!
μμμ κ°λ¨ν©λλ€:
pip install comet_ml # 1. install
export COMET_API_KEY=<Your API Key> # 2. paste API key
python train.py --img 640 --epochs 3 --data coco128.yaml --weights yolov5s.pt # 3. train
μ΄ ν΅ν©μμ μ§μλλ λͺ¨λ Comet κΈ°λ₯μ λν΄ μμΈν μμλ³΄λ €λ©΄ λ€μμ νμΈνμΈμ. Comet νν 리μΌ. μμΈν λ΄μ©μ Comet μμ νμΈνμΈμ. λ¬Έμ. μ½λ© λ ΈνΈλΆ( Comet )μ μ¬μ©ν΄ 보μΈμ:
ClearML λ‘κΉ λ° μλν π μ κ·
ClearML λ YOLOv5 μ μμ ν ν΅ν©λμ΄ μ€νμ μΆμ νκ³ , λ°μ΄ν° μΈνΈ λ²μ μ κ΄λ¦¬νκ³ , μ격μΌλ‘ νΈλ μ΄λ μ€νμ μ€νν μλ μμ΅λλ€. νμ±ννλ €λ©΄ ClearML:
pip install clearml
- μ€ν
clearml-init
λ₯Ό ν΄λ¦νμ¬ ClearML μλ²μ μ°κ²°ν©λλ€.
μ€μκ° μ λ°μ΄νΈ, λͺ¨λΈ μ λ‘λ, μ€ν λΉκ΅ λ± μ€ν κ΄λ¦¬μμμ κΈ°λν μ μλ λͺ¨λ νλ₯ν κΈ°λ₯μ μ¬μ©ν μ μμ§λ§ ClearML μμλ 컀λ°λμ§ μμ λ³κ²½ μ¬νκ³Ό μ€μΉλ ν¨ν€μ§λ μΆμ ν μ μμ΅λλ€. λλΆμ ClearML μμ (μ°λ¦¬κ° μ€νμ΄λΌκ³ λΆλ₯΄λ)λ λ€λ₯Έ μ»΄ν¨ν°μμ μ¬νν μ μμ΅λλ€! λ¨ ν μ€λ§ μΆκ°νλ©΄ λκΈ°μ΄μ YOLOv5 κ΅μ‘ μμ μ μμ½νμ¬ μ¬λ¬ λͺ μ ClearML μμ΄μ νΈ(μμ μ)κ° μ€ννλλ‘ ν μ μμ΅λλ€.
ClearML λ°μ΄ν°λ₯Ό μ¬μ©νμ¬ λ°μ΄ν° μ§ν©μ λ²μ μ ν λ€μ κ³ μ IDλ₯Ό μ¬μ©νμ¬ YOLOv5 μΌλ‘ μ λ¬ν μ μμ΅λλ€. μ΄λ κ² νλ©΄ λ²κ±°λ‘μ μμ΄ λ°μ΄ν°λ₯Ό μΆμ νλ λ° λμμ΄ λ©λλ€. μμΈν λ΄μ©μ ClearML νν 리μΌμ μ°Έμ‘°νμΈμ!
λ‘컬 λ‘κΉ
κ΅μ‘ κ²°κ³Όλ μλμΌλ‘ λ€μκ³Ό κ°μ΄ κΈ°λ‘λ©λλ€. ν
μ보λ κ·Έλ¦¬κ³ CSV λ‘κ±°λ₯Ό runs/train
λ₯Ό μ¬μ©νμ¬ κ° μ κ΅μ‘μ λν΄ λ€μκ³Ό κ°μ΄ μ μ€ν λλ ν°λ¦¬λ₯Ό μμ±ν©λλ€. runs/train/exp2
, runs/train/exp3
λ±
This directory contains train and val statistics, mosaics, labels, predictions and augmented mosaics, as well as metrics and charts including precision-recall (PR) curves and confusion matrices.
κ²°κ³Ό νμΌ results.csv
is updated after each epoch, and then plotted as results.png
(μλ)λ‘ μ΄λν©λλ€. λν results.csv
νμΌμ μλμΌλ‘ μμ±ν©λλ€:
from utils.plots import plot_results
plot_results("path/to/results.csv") # plot 'results.csv' as 'results.png'
λ€μ λ¨κ³
λͺ¨λΈμ΄ νμ΅λλ©΄ μ΅κ³ μ 체ν¬ν¬μΈνΈλ₯Ό μ¬μ©ν μ μμ΅λλ€. best.pt
μ:
- μ€ν CLI λλ Python μ μ΄λ―Έμ§ λ° λμμμ λν μΆλ‘
- Validate accuracy on train, val and test splits
- Export to TensorFlow, Keras, ONNX, TFlite, TF.js, CoreML and TensorRT formats
- νμ΄νΌνλΌλ―Έν°λ₯Ό μ§νμμΌ μ±λ₯ ν₯μ
- μ€μ μ΄λ―Έμ§λ₯Ό μνλ§νκ³ λ°μ΄ν° μΈνΈμ μΆκ°νμ¬ λͺ¨λΈμ κ°μ νμΈμ.
μ§μ νκ²½
Ultralytics λ λ°λ‘ μ¬μ©ν μ μλ λ€μν νκ²½μ μ 곡νλ©°, κ° νκ²½μλ λ€μκ³Ό κ°μ νμ μ’ μμ±μ΄ μ¬μ μ€μΉλμ΄ μμ΅λλ€. CUDA, CUDNN, Python, λ° PyTorchμ κ°μ νμ μ’ μ μμλ₯Ό μ€μΉνμ¬ νλ‘μ νΈλ₯Ό μμν μ μμ΅λλ€.
- λ¬΄λ£ GPU λ ΈνΈλΆ:
- Google Cloud: GCP λΉ λ₯Έ μμ κ°μ΄λ
- Amazon: AWS λΉ λ₯Έ μμ κ°μ΄λ
- Azure: AzureML λΉ λ₯Έ μμ κ°μ΄λ
- Docker: Docker λΉ λ₯Έ μμ κ°μ΄λ
νλ‘μ νΈ μν
μ΄ λ°°μ§λ λͺ¨λ YOLOv5 GitHub Actions μ§μμ ν΅ν©(CI) ν μ€νΈκ° μ±κ³΅μ μΌλ‘ ν΅κ³Όλμμμ λνλ λλ€. μ΄λ¬ν CI ν μ€νΈλ κ΅μ‘, κ²μ¦, μΆλ‘ , λ΄λ³΄λ΄κΈ° λ° λ²€μΉλ§ν¬ λ± λ€μν μ£Όμ μΈ‘λ©΄μμ YOLOv5 μ κΈ°λ₯κ³Ό μ±λ₯μ μ격νκ² νμΈν©λλ€. 24μκ°λ§λ€ κ·Έλ¦¬κ³ μλ‘μ΄ μ»€λ°μ΄ μμ λλ§λ€ ν μ€νΈλ₯Ό μννμ¬ macOS, Windows λ° Ubuntuμμ μΌκ΄λκ³ μμ μ μΈ μλμ 보μ₯ν©λλ€.
μμ£Ό 묻λ μ§λ¬Έ
μ¬μ©μ μ§μ λ°μ΄ν° μ§ν©μμ YOLOv5 μ μ΄λ»κ² νμ΅νλμ?
μ¬μ©μ μ§μ λ°μ΄ν° μ§ν©μ λν YOLOv5 κ΅μ‘μλ μ¬λ¬ λ¨κ³κ° ν¬ν¨λ©λλ€:
- λ°μ΄ν° μΈνΈ μ€λΉνκΈ°: μ΄λ―Έμ§λ₯Ό μμ§νκ³ λΌλ²¨μ λΆμ λλ€. κ°μ λꡬλ₯Ό μ¬μ©νμ¬ Roboflow μ κ°μ λꡬλ₯Ό μ¬μ©νμ¬ λ°μ΄ν°λ₯Ό μ 리νκ³ YOLOv5 νμμΌλ‘ λ΄λ³΄λ λλ€.
- μ€μ νκ²½: YOLOv5 리ν¬μ§ν 리λ₯Ό 볡μ νκ³ μ’ μμ±μ μ€μΉν©λλ€:
- λ°μ΄ν° μΈνΈ κ΅¬μ± λ§λ€κΈ°: μ°κΈ°
dataset.yaml
νμΌμ νΈλ μΈ/λ°Έ κ²½λ‘μ ν΄λμ€ μ΄λ¦μ μ μν©λλ€. - λͺ¨λΈ νλ ¨:
YOLOv5 λ°μ΄ν° μ§ν©μ μ£Όμμ λ¬λ €λ©΄ μ΄λ€ λꡬλ₯Ό μ¬μ©ν μ μλμ?
μ΄λ―Έμ§μ λΌλ²¨μ λΆμΌ μ μλ μ§κ΄μ μΈ μΉ κΈ°λ° λκ΅¬μΈ Roboflow Annotateλ₯Ό μ¬μ©ν μ μμ΅λλ€. μ΄ λꡬλ ν νμ κ³Ό YOLOv5 νμμΌλ‘ λ΄λ³΄λ΄κΈ°λ₯Ό μ§μν©λλ€. μ΄λ―Έμ§λ₯Ό μμ§ν νμλ Roboflow μ μ¬μ©ν΄ μ£Όμμ ν¨μ¨μ μΌλ‘ λ§λ€κ³ κ΄λ¦¬νμΈμ. λ€λ₯Έ μ΅μ μΌλ‘λ λ‘컬 μ£Όμμ μν LabelImg λ° CVATμ κ°μ λκ΅¬κ° μμ΅λλ€.
YOLO λͺ¨λΈ κ΅μ‘μ Ultralytics HUBλ₯Ό μ¬μ©ν΄μΌ νλ μ΄μ λ 무μμΈκ°μ?
Ultralytics HUBλ κ΄λ²μν μ½λ© κΈ°μ μμ΄λ YOLO λͺ¨λΈμ κ΅μ‘, λ°°ν¬ λ° κ΄λ¦¬ν μ μλ μλν¬μλ νλ«νΌμ μ 곡ν©λλ€. Ultralytics HUBλ₯Ό μ¬μ©νλ©΄ λ€μκ³Ό κ°μ μ΄μ μ΄ μμ΅λλ€:
- κ°νΈν λͺ¨λΈ νλ ¨: μ¬μ ꡬμ±λ νκ²½μΌλ‘ νλ ¨ νλ‘μΈμ€λ₯Ό κ°μνν©λλ€.
- λ°μ΄ν° κ΄λ¦¬: λ°μ΄ν° μΈνΈμ λ²μ κ΄λ¦¬λ₯Ό μμ½κ² κ΄λ¦¬νμΈμ.
- μ€μκ° λͺ¨λν°λ§: λ€μκ³Ό κ°μ λꡬλ₯Ό ν΅ν©νμ¬ Comet μ κ°μ λꡬλ₯Ό ν΅ν©νμ¬ μ€μκ° λ©νΈλ¦ μΆμ λ° μκ°νλ₯Ό μ§μν©λλ€.
- νμ : 리μμ€λ₯Ό 곡μ νκ³ μ½κ² κ΄λ¦¬ν μ μλ ν νλ‘μ νΈμ μ΄μμ μ λλ€.
μ£Όμμ΄ λ¬λ¦° λ°μ΄ν°λ₯Ό YOLOv5 νμμΌλ‘ λ³ννλ €λ©΄ μ΄λ»κ² νλμ?
μ£Όμμ΄ λ¬λ¦° λ°μ΄ν°λ₯Ό Roboflow μ μ¬μ©νμ¬ YOLOv5 νμμΌλ‘ λ³ννλ €λ©΄:
- Roboflow μν¬μ€νμ΄μ€μ λ°μ΄ν° μ§ν©μ μ λ‘λν©λλ€.
- μμ§ λ μ΄λΈμ΄ μ§μ λμ§ μμ κ²½μ° μ΄λ―Έμ§μ λ μ΄λΈμ μ§μ ν©λλ€.
- μμ± λ° λ΄λ³΄λ΄κΈ° μ λ°μ΄ν° μ§ν©μ
YOLOv5 Pytorch
νμμΌλ‘ λ³κ²½ν©λλ€. μ μ¬κ°ν μ λ ₯ ν¬κΈ°(μ: 640x640)λ‘ μλ λ°©ν₯ λ° ν¬κΈ° μ‘°μ (λμ΄κΈ°)κ³Ό κ°μ μ μ²λ¦¬ λ¨κ³κ° μ μ©λμλμ§ νμΈν©λλ€. - λ°μ΄ν° μΈνΈλ₯Ό λ€μ΄λ‘λνμ¬ YOLOv5 κ΅μ‘ μ€ν¬λ¦½νΈμ ν΅ν©νμΈμ.
μμ μ© μ ν리μΌμ΄μ μμ YOLOv5 μ μ¬μ©νκΈ° μν λΌμ΄μ μ€ μ΅μ μ 무μμΈκ°μ?
Ultralytics λ λ κ°μ§ λΌμ΄μ μ€ μ΅μ μ μ 곡ν©λλ€:
- AGPL-3.0 λΌμ΄μ μ€: λΉμμ μ μ©λμ μ ν©ν μ€ν μμ€ λΌμ΄μ μ€λ‘, νμκ³Ό μ νΈκ°μκ² μ΄μμ μ λλ€.
- μν°νλΌμ΄μ¦ λΌμ΄μ μ€: YOLOv5 μ μμ μ© μ ν λ° μλΉμ€μ ν΅ν©νλ €λ κΈ°μ μ μν λ§μΆ€ν λΌμ΄μ μ€μ λλ€. μμΈν λ΄μ©μ λΌμ΄μ μ€ νμ΄μ§λ₯Ό μ°Έμ‘°νμΈμ.
μμΈν λ΄μ©μ Ultralytics λΌμ΄μ μ€ κ°μ΄λλ₯Ό μ°Έμ‘°νμΈμ.