YOLOv3 وYOLOv3u
نظرة عامة#
تقدّم هذه الوثيقة نظرة عامة على ثلاثة نماذج مترابطة ارتباطًا وثيقًا لكشف الكائنات، وهي YOLOv3 وYOLOv3-Ultralytics وYOLOv3u.
-
YOLOv3: هذا هو الإصدار الثالث من خوارزمية YOLO (أنت لا ترى سوى مرة واحدة) للكشف عن الأجسام. طوّر جوزيف ريدمون الخوارزمية في الأصل، وحسّن YOLOv3 الإصدارات السابقة بإضافة تنبؤات على ثلاثة مقاييس مختلفة.
-
YOLOv3-Ultralytics: هذا تنفيذ Ultralytics لـYOLOv3 باستخدام PyTorch، ويُصان في مستودع ultralytics/yolov3. ويحافظ على البنية الأصلية المعتمدة على المراسي، مع إضافة مزيد من النماذج المدرّبة مسبقًا وتسهيل التخصيص.
-
YOLOv3u: إصدار محدّث من YOLOv3-Ultralytics يدمج الرأس المنقسم الخالي من المراسي ومن توقعات وجود الأجسام المستخدم في نماذج YOLOv8. ويحافظ YOLOv3u على بنية الشبكة الأساسية والعنق نفسها الموجودة في YOLOv3، مع استخدام رأس الكشف المحدّث من YOLOv8.

الميزات الرئيسية#
-
YOLOv3: قدّم الكشف على ثلاثة مقاييس مختلفة، بشبكات إخراج 13x13 و26x26 و52x52 لإدخال بحجم 416x416. وقد حسّن ذلك دقة الكشف عن الأجسام ذات الأحجام المختلفة تحسنًا كبيرًا. وأضاف YOLOv3 أيضًا تنبؤات متعددة التسميات لكل مربع محيط، وشبكة أقوى لاستخراج السمات هي Darknet-53.
-
YOLOv3u: يدمج هذا النموذج المحدّث الرأس المنقسم الخالي من المراسي ومن توقعات وجود الأجسام من YOLOv8. ويمكن لتصميم رأس الكشف هذا تحسين قدرة النموذج على اكتشاف الأجسام متفاوتة الأحجام والأشكال، من خلال الاستغناء عن مربعات المراسي المحددة مسبقًا ودرجات وجود الأجسام. وهذا يجعل YOLOv3u أكثر متانة ودقة في مهام الكشف عن الأجسام.
المهام والأوضاع المدعومة#
صُمم YOLOv3 خصيصًا لمهام الكشف عن الأجسام. تدعم Ultralytics ثلاثة متغيرات من YOLOv3: yolov3u وyolov3-tinyu وyolov3-sppu. وتشير u في الاسم إلى أن هذه المتغيرات تستخدم الرأس الخالي من المراسي في YOLOv8، بخلاف بنيتها الأصلية المعتمدة على المراسي. وتختلف المتغيرات في موازنتها بين الدقة والسرعة: YOLOv3-Tiny هو الأصغر والأسرع، بينما يضيف YOLOv3-SPP تجميعًا هرميًا مكانيًا إلى نموذج YOLOv3 القياسي.
تدعم النماذج الثلاثة أوضاع التدريب والتحقق والاستدلال والتصدير، لتغطي جميع المراحل من التطوير إلى نشر النموذج.
| نوع النموذج | الأوزان المدرّبة مسبقاً | المهام المدعومة | التدريب | التحقق | الاستدلال | التصدير |
|---|---|---|---|---|---|---|
| YOLOv3(u) | yolov3u.pt | كشف الكائنات | ✅ | ✅ | ✅ | ✅ |
| YOLOv3-Tiny(u) | yolov3-tinyu.pt | كشف الكائنات | ✅ | ✅ | ✅ | ✅ |
| YOLOv3-SPP(u) | yolov3-sppu.pt | كشف الكائنات | ✅ | ✅ | ✅ | ✅ |
يلخّص هذا الجدول المهام والأوضاع المدعومة لكل متغير من YOLOv3.
أمثلة الاستخدام#
يقدم هذا المثال أمثلة بسيطة على تدريب YOLOv3 والاستدلال به.
يمكن تمرير نماذج *.pt المدربة مسبقًا من PyTorch، وكذلك ملفات الإعداد *.yaml، إلى الصنف YOLO() لإنشاء مثيل نموذج في Python:
from ultralytics import YOLO
# تحميل نموذج YOLOv3u مدرّب مسبقًا على COCO
model = YOLO("yolov3u.pt")
# عرض معلومات النموذج (اختياري)
model.info()
# تدريب النموذج على مجموعة بيانات المثال COCO8 لمدة 100 حقبة
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# تنفيذ الاستدلال باستخدام نموذج YOLOv3u على الصورة 'bus.jpg'
results = model("path/to/bus.jpg")الاستشهادات والشكر والتقدير#
إذا استخدمت YOLOv3 في بحثك، يُرجى الاستشهاد بأوراق YOLO الأصلية 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#
YOLOv3 هو الإصدار الثالث من خوارزمية YOLO (أنت تنظر مرة واحدة فقط) لاكتشاف الكائنات، التي طورها Joseph Redmon، ويُعرف بتوازنه بين الدقة والسرعة، إذ يتنبأ على ثلاثة مقاييس مختلفة (شبكات 13x13 و26x26 و52x52 لمدخل بحجم 416x416). ويمثل YOLOv3-Ultralytics تكييف Ultralytics لنموذج YOLOv3، مع إضافة دعم لمزيد من النماذج المدرّبة مسبقًا وتسهيل تخصيص النماذج. أما YOLOv3u فهو إصدار مطوّر من YOLOv3-Ultralytics يدمج الرأس المنقسم الخالي من المراسي ومن تقدير وجود الكائن المأخوذ من YOLOv8، ما يحسّن متانة الاكتشاف ودقته لمختلف أحجام الكائنات.
يمكنك تدريب نموذج YOLOv3u باستخدام Python أو CLI:
مثالfrom ultralytics import YOLO # تحميل نموذج YOLOv3u مدرّب مسبقًا على COCO model = YOLO("yolov3u.pt") # تدريب النموذج على مجموعة بيانات المثال COCO8 لمدة 100 حقبة results = model.train(data="coco8.yaml", epochs=100, imgsz=640)للاطلاع على خيارات وإرشادات التدريب الأكثر شمولًا، تفضّل بزيارة وثائق وضع التدريب.
يحسّن YOLOv3u أداء YOLOv3 وYOLOv3-Ultralytics من خلال دمج الرأس المنقسم الخالي من المراسي والخالي من درجة وجود الكائنات المستخدم في نماذج YOLOv8. يلغي هذا التحديث الحاجة إلى مربعات مراسي محددة مسبقًا ودرجات وجود الكائنات، ويعزز قدرة النموذج على اكتشاف الكائنات ذات الأحجام والأشكال المتنوعة بدقة أكبر. وهذا يجعل YOLOv3u خيارًا أفضل لمهام كشف الكائنات المعقدة والمتنوعة. لمزيد من المعلومات، راجع قسم الميزات الرئيسية.
يمكنك إجراء الاستدلال باستخدام نماذج YOLOv3 من Python أو CLI:
مثالfrom ultralytics import YOLO # تحميل نموذج YOLOv3u مدرّب مسبقًا على COCO model = YOLO("yolov3u.pt") # تنفيذ الاستدلال باستخدام نموذج YOLOv3u على الصورة 'bus.jpg' results = model("path/to/bus.jpg")راجع وثائق وضع الاستدلال لمزيد من التفاصيل حول تشغيل نماذج YOLO.
تدعم نماذج YOLOv3 وYOLOv3-Tiny وYOLOv3-SPP بشكل أساسي مهام اكتشاف الكائنات. وتدعم هذه النماذج أوضاع التدريب والتحقق والاستدلال والتصدير.
إذا استخدمت YOLOv3 في بحثك، يُرجى الاستشهاد بأوراق YOLO الأصلية ومستودع Ultralytics YOLOv3. مثال على استشهاد BibTeX:
الاستشهاد@article{redmon2018yolov3, title={YOLOv3: An Incremental Improvement}, author={Redmon, Joseph and Farhadi, Ali}, journal={arXiv preprint arXiv:1804.02767}, year={2018} }لمزيد من التفاصيل حول الاستشهادات، راجع قسم الاستشهادات والشكر.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.