English summary. Hands-on object detection with the YOLO family: a custom fruit detector trained with YOLOv5 on a 60+ class Roboflow fruit dataset (5,000 train / 1,000 val images), plus YOLOv8 inference via the Ultralytics API. This repo documents the training workflow, configuration, and detection results — the upstream framework source is intentionally not vendored here (linked instead), keeping the repo to the author's own configuration, inference code, and outputs.
원스테이지 객체 탐지 모델 YOLO를 두 세대에 걸쳐 실습한 저장소입니다.
- YOLOv5 — 커스텀 과일 데이터셋으로 전이학습(transfer learning)하여 나만의 검출기(
fruit_best.pt)를 학습. - YOLOv8 — Ultralytics 최신 API로 사전학습 모델을 불러와 추론 파이프라인(박스/마스크/키포인트/확률) 구성.
저작권/용량 정책: YOLOv5 프레임워크 원본 소스와 학습 가중치(
*.pt), 결과 영상(*.mp4)은 이 저장소에 포함하지 않습니다. 프레임워크는 아래 상류 저장소를 참조하세요. 본 저장소에는 본인 작성 추론 코드 + 대표 탐지 결과 이미지만 포함합니다.
| 항목 | 내용 |
|---|---|
| 출처 | Roboflow 공개 과일 데이터셋 (YOLO 포맷, .rf. 라벨링) |
| 규모 | 학습 5,000장 / 검증 1,000장 |
| 클래스 | 63종 과일·채소 (다중 클래스) |
| 라벨 | YOLO txt 포맷 (class cx cy w h, 정규화 좌표) |
학습 설정은 data/fruit_data.yaml에 정의했습니다 (클래스 수 nc: 63, 클래스명 목록 포함).
63개 클래스 전체 목록
Apple, Apricot, Avocado, Banana, Beetroot, Blueberry, Cactus, Cantaloupe, Carambula, Cauliflower, Cherry, Chestnut, Clementine, Cocos, Dates, Eggplant, Ginger, Granadilla, Grape, Grapefruit, Guava, Hazelnut, Huckleberry, Kaki, Kiwi, Kohlrabi, Kumquats, Lemon, Limes, Lychee, Mandarine, Mango, Mangostan, Maracuja, Melon, Mulberry, Nectarine, Nut, Onion, Orange, Papaya, Passion, Peach, Pear, Pepino, Pepper, Physalis, Pineapple, Pitahaya, Plum, Pomegranate, Pomelo, Potato, Quince, Rambutan, Raspberry, Redcurrant, Salak, Strawberry, Tamarillo, Tangelo, Tomato, Walnut
YOLOv5 학습 과정에서 자동 생성된 실제 산출물입니다. (results/)
| 데이터셋 라벨 분석 | 학습 배치 (모자이크 증강) |
|---|---|
 |
 |
왼쪽은 63개 클래스별 인스턴스 수(균형 잡힌 분포)와 바운딩 박스의 위치·크기 분포를 보여주고, 오른쪽은 모자이크 데이터 증강이 적용된 실제 학습 배치(라벨 박스 포함)입니다.
YOLOv5 커스텀 학습 (전이학습)
# 상류 yolov5 clone 후, data yaml에 FruitDataset 경로/클래스 정의
python train.py --img 640 --batch 16 --epochs 100 \
--data fruit.yaml --weights yolov5s.pt --name fruit
# 결과: runs/train/fruit/weights/best.pt (→ fruit_best.pt)
python detect.py --weights fruit_best.pt --source <image_or_video>사전학습 가중치(yolov5s.pt)에서 출발해 과일 클래스에 맞게 헤드를 재학습하는 전이학습 전략을 사용했습니다.
YOLOv8 추론 (src/yolov8_추론.py)
from ultralytics import YOLO
model = YOLO("yolov8n.pt") # COCO 사전학습 모델
results = model("./bus.jpg") # 추론
for r in results:
r.boxes; r.masks; r.keypoints; r.probs # 결과 객체
r.save(filename="result.jpg")| 커스텀 과일 검출 (YOLOv5) | 차량 검출 |
|---|---|
 |
 |
학습한 과일 검출기가 이미지 내 여러 과일을 바운딩 박스로 탐지하는 것을 확인했습니다.
pip install -r requirements.txt
python src/yolov8_추론.py # YOLOv8 추론 (가중치 자동 다운로드)YOLOv5 커스텀 학습 재현은 상류 저장소를 clone 후 위 학습 커맨드를 참고하세요.
- 사전학습 모델 → 커스텀 클래스 전이학습으로 소규모 데이터에서도 검출기를 만드는 워크플로우 체득.
- YOLO 라벨 포맷(정규화 좌표)과
data.yaml구성 방식 이해. - YOLOv5(스크립트 기반) vs YOLOv8(Python API) 세대별 사용성 차이 비교.
- 상류 프레임워크: ultralytics/yolov5 · ultralytics/ultralytics (YOLOv8)
- 관련 저장소: computer-vision
NVIDIA AI Academy Seoul · Cohort 1 포트폴리오의 일부 — 전체 보기