YOLOv3 و YOLOv3-Ultralytics ، و YOLOv3u

لمحة عامة

تقدم هذه الوثيقة لمحة عامة عن ثلاثة نماذج للكشف عن الأجسام وثيقة الصلة ببعضها البعض، وهي YOLOv3 و YOLOv3-Ultralytics و YOLOv3u.

1. YOLOv3: هذا هو الإصدار الثالث من خوارزمية الكشف عن الأجسام YOLOv3 (YOLO). تم تطوير YOLOv3 في الأصل من قبل جوزيف ريدمون، وقد تم تحسين YOLOv3 على سابقاتها من خلال تقديم ميزات مثل التنبؤات متعددة النطاقات وثلاثة أحجام مختلفة من نواة الكشف.

2. YOLOv3-Ultralytics: هذا هو تطبيق Ultralytics لنموذج YOLOv3. وهو يستنسخ بنية YOLOv3 الأصلية ويوفر وظائف إضافية، مثل دعم المزيد من النماذج المدربة مسبقًا وخيارات تخصيص أسهل.

3. YOLOv3u: هذه نسخة محدثة من YOLOv3-Ultralytics تتضمن رأس التقسيم الخالي من الارتكاز والخالي من الكائنات المستخدم في نماذج YOLOv8 . يحافظ YOLOv3u على نفس بنية العمود الفقري والرقبة مثل YOLOv3 ولكن مع رأس الكشف المحدث من YOLOv8.

الميزات الرئيسية

• YOLOOv3: استحدث استخدام ثلاثة مقاييس مختلفة للكشف، مستفيدًا من ثلاثة أحجام مختلفة من نواة الكشف: 13 × 13 و26 × 26 و52 × 52. أدى ذلك إلى تحسين دقة الكشف بشكل كبير للأجسام ذات الأحجام المختلفة. بالإضافة إلى ذلك، أضاف YOLOv3 ميزات مثل التنبؤات متعددة التسميات لكل مربع محدّد وشبكة أفضل لاستخراج الميزات.

• YOLOv3-Ultralytics: Ultralytics' يوفر تطبيق YOLOv3 نفس أداء النموذج الأصلي ولكنه يأتي مع دعم إضافي لمزيد من النماذج المدربة مسبقًا وطرق تدريب إضافية وخيارات تخصيص أسهل. وهذا يجعله أكثر تنوعًا وسهل الاستخدام للتطبيقات العملية.

• YOLOv3u: يشتمل هذا النموذج المحدّث على رأس التقسيم الخالي من الارتكاز والخالي من الأجسام من YOLOv8. من خلال التخلص من الحاجة إلى مربعات الارتكاز المحددة مسبقًا ودرجات درجة الارتكاز، يمكن لتصميم رأس الكشف هذا تحسين قدرة النموذج على اكتشاف الأجسام ذات الأحجام والأشكال المختلفة. وهذا يجعل YOLOv3u أكثر قوة ودقة في مهام اكتشاف الأجسام.

المهام والأوضاع المدعومة

صُممت سلسلة YOLOv3، بما في ذلك YOLOv3 و YOLOv3-Ultralytics و YOLOv3u، خصيصًا لمهام اكتشاف الأجسام. تشتهر هذه النماذج بفعاليتها في مختلف سيناريوهات العالم الحقيقي، وتوازن بين الدقة والسرعة. يقدم كل متغير ميزات وتحسينات فريدة، مما يجعلها مناسبة لمجموعة من التطبيقات.

تدعم النماذج الثلاثة مجموعة شاملة من الأوضاع، مما يضمن تعدد الاستخدامات في مختلف مراحل نشر النموذج وتطويره. تشمل هذه الأنماط الاستدلال والتحقق من الصحة والتدريب والتصدير، مما يوفر للمستخدمين مجموعة أدوات كاملة للكشف الفعال عن الكائنات.

يوفر هذا الجدول لمحة سريعة عن إمكانيات كل متغير من متغيرات YOLOv3، مع تسليط الضوء على تنوعها وملاءمتها لمختلف المهام والأوضاع التشغيلية في عمليات سير عمل اكتشاف الأجسام.

أمثلة على الاستخدام

يوفر هذا المثال أمثلة بسيطة لتدريب واستدلال YOLOv3. للحصول على وثائق كاملة حول هذه الأوضاع وغيرها، راجع صفحات مستندات التنبؤ والتدريب والتقييم والتصدير.

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv3n model
model = YOLO("yolov3n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLOv3n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

# Load a COCO-pretrained YOLOv3n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov3n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv3n model and run inference on the 'bus.jpg' image
yolo predict model=yolov3n.pt source=path/to/bus.jpg

الاستشهادات والشكر والتقدير

إذا كنت تستخدم YOLOv3 في بحثك، يُرجى الاستشهاد بالأبحاث الأصلية YOLO ومستودع Ultralytics YOLOv3:

@article{redmon2018yolov3,
  title={YOLOv3: An Incremental Improvement},
  author={Redmon, Joseph and Farhadi, Ali},
  journal={arXiv preprint arXiv:1804.02767},
  year={2018}
}

شكرًا لجوزيف ريدمون وعلي فرهادي على تطوير YOLOv3 الأصلي.

الأسئلة الشائعة

ما هي الاختلافات بين YOLOv3 و YOLOv3-Ultralytics و YOLOv3u؟

YOLOv3 هو التكرار الثالث لخوارزمية الكشف عن الأجسام YOLO (أنت تنظر مرة واحدة فقط) التي طورها جوزيف ريدمون، والمعروفة بتوازنها بين الدقة والسرعة، باستخدام ثلاثة مقاييس مختلفة (13 × 13 و26 × 26 و52 × 52) لعمليات الكشف. YOLOv3-Ultralytics هو Ultralytics' تكييف لـ YOLOv3 الذي يضيف دعمًا للمزيد من النماذج المدربة مسبقًا ويسهل تخصيص النموذج بشكل أسهل. YOLOv3u هو متغير مطور من YOLOv3-Ultralytics ، يدمج رأس التقسيم الخالي من الارتكاز والخالي من الأجسام من YOLOv8 ، مما يحسن من قوة الكشف ودقته لمختلف أحجام الأجسام. لمزيد من التفاصيل حول المتغيرات، راجع سلسلة YOLOv3.

كيف يمكنني تدريب نموذج YOLOv3 باستخدام Ultralytics ؟

يعد تدريب نموذج YOLOv3 باستخدام Ultralytics أمرًا بسيطًا ومباشرًا. يمكنك تدريب النموذج باستخدام Python أو CLI:

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv3n model
model = YOLO("yolov3n.pt")

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Load a COCO-pretrained YOLOv3n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov3n.pt data=coco8.yaml epochs=100 imgsz=640

لمزيد من خيارات وإرشادات التدريب الشاملة، تفضل بزيارة وثائق وضع التدريب.

ما الذي يجعل YOLOv3u أكثر دقة في مهام اكتشاف الأجسام؟

يعمل YOLOv3u على تحسين YOLOv3 و YOLOv3-Ultralytics من خلال دمج رأس التقسيم الخالي من المرساة والخالي من الأجسام المستخدم في نماذج YOLOv8 . تلغي هذه الترقية الحاجة إلى مربعات الارتكاز المحددة مسبقًا ودرجات الاعتراض، مما يعزز قدرتها على اكتشاف الأجسام ذات الأحجام والأشكال المختلفة بدقة أكبر. وهذا يجعل YOLOv3u خيارًا أفضل لمهام اكتشاف الأجسام المعقدة والمتنوعة. لمزيد من المعلومات، راجع قسم لماذا YOLOv3u.

كيف يمكنني استخدام نماذج YOLOv3 للاستدلال؟

يمكنك القيام بالاستدلال باستخدام نماذج YOLOv3 إما عن طريق البرامج النصية Python أو الأوامر CLI :

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv3n model
model = YOLO("yolov3n.pt")

# Run inference with the YOLOv3n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

# Load a COCO-pretrained YOLOv3n model and run inference on the 'bus.jpg' image
yolo predict model=yolov3n.pt source=path/to/bus.jpg

راجع وثائق وضع الاستدلال لمزيد من التفاصيل حول تشغيل نماذج YOLO .

ما هي المهام التي يدعمها YOLOv3 ومتغيراته؟

تدعم نماذج YOLOv3 و YOLOv3-Ultralytics و YOLOv3u بشكل أساسي مهام اكتشاف الكائنات. يمكن استخدام هذه النماذج لمراحل مختلفة من نشر النماذج وتطويرها، مثل الاستدلال والتحقق من الصحة والتدريب والتصدير. للاطلاع على مجموعة شاملة من المهام المدعومة والمزيد من التفاصيل المتعمقة، يرجى زيارة وثائق مهام اكتشاف الكائنات.

أين يمكنني العثور على مصادر للاستشهاد بـ YOLOv3 في بحثي؟

إذا كنت تستخدم YOLOv3 في بحثك، يرجى الاستشهاد بالأبحاث الأصلية YOLO ومستودع Ultralytics YOLOv3. مثال على الاقتباس من BibTeX:

@article{redmon2018yolov3,
  title={YOLOv3: An Incremental Improvement},
  author={Redmon, Joseph and Farhadi, Ali},
  journal={arXiv preprint arXiv:1804.02767},
  year={2018}
}

لمزيد من تفاصيل الاقتباس، راجع قسم الاقتباسات والشكر والتقدير.

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 1 شهر

التعليقات