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 كشف الكائنات «ترى مرة واحدة فقط» (YOLO). طوّر جوزيف ريدمون هذا النموذج في الأصل، وقد حسّن YOLOv3 النماذج السابقة بإضافة ميزات مثل التنبؤات متعددة المقاييس وثلاثة أحجام مختلفة لنوى الكشف.
-
YOLOv3-Ultralytics: هذا هو تطبيق Ultralytics لـ YOLOv3 باستخدام PyTorch، وتتم صيانته في مستودع ultralytics/yolov3. ويحافظ على البنية الأصلية القائمة على المراسي، مع إضافة المزيد من النماذج المدرّبة مسبقًا وتسهيل التخصيص.
-
YOLOv3u: هذا إصدار محدّث من YOLOv3-Ultralytics يدمج الرأس المنقسم الخالي من المراسي والخالي من درجة وجود الكائنات والمستخدم في نماذج YOLOv8. ويحافظ YOLOv3u على بنية العمود الفقري والعنق نفسها المستخدمة في YOLOv3، مع استخدام رأس الكشف المحدّث من YOLOv8.
الميزات الرئيسية#
-
YOLOv3: قدّم استخدام ثلاثة مقاييس مختلفة للكشف، مستفيدًا من ثلاثة أحجام مختلفة لنوى الكشف: 13x13 و26x26 و52x52. وقد حسّن ذلك دقة الكشف بدرجة كبيرة للكائنات ذات الأحجام المختلفة. بالإضافة إلى ذلك، أضاف YOLOv3 ميزات مثل التنبؤات متعددة التسميات لكل مربع إحاطة وشبكة أفضل لاستخراج السمات.
-
YOLOv3u: يدمج هذا النموذج المحدّث الرأس المنقسم الخالي من المراسي والخالي من درجة وجود الكائنات من YOLOv8. ومن خلال الاستغناء عن الحاجة إلى مربعات مراسي محددة مسبقًا ودرجات وجود الكائنات، يمكن لتصميم رأس الكشف هذا تحسين قدرة النموذج على اكتشاف الكائنات ذات الأحجام والأشكال المتنوعة. وهذا يجعل YOLOv3u أكثر متانة ودقة في مهام كشف الكائنات.
المهام والأوضاع المدعومة#
صُمّم YOLOv3 خصيصًا لمهام كشف الكائنات. تدعم Ultralytics ثلاثة أشكال من YOLOv3: yolov3u وyolov3-tinyu وyolov3-sppu. ويشير u في الاسم إلى أن هذه النماذج تستخدم الرأس الخالي من المراسي في YOLOv8، بخلاف بنيتها الأصلية القائمة على المراسي. وتشتهر هذه النماذج بفعاليتها في سيناريوهات العالم الحقيقي المختلفة، إذ توازن بين الدقة والسرعة. ويوفر كل شكل ميزات وتحسينات فريدة، ما يجعله مناسبًا لمجموعة من التطبيقات.
تدعم النماذج الثلاثة مجموعة شاملة من الأوضاع، ما يضمن تعدد الاستخدامات في مختلف مراحل نشر النماذج وتطويرها. وتشمل هذه الأوضاع الاستدلال والتحقق والتدريب والتصدير، لتزويد المستخدمين بمجموعة أدوات متكاملة لكشف الكائنات بفعالية.
| 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 | ✅ | ✅ | ✅ | ✅ |
يعرض هذا الجدول لمحة سريعة عن إمكانات كل شكل من أشكال YOLOv3، مع إبراز تعدد استخداماته وملاءمته لمختلف المهام وأوضاع التشغيل في مسارات عمل كشف الكائنات.
أمثلة الاستخدام#
يقدّم هذا المثال أمثلة بسيطة على تدريب YOLOv3 والاستدلال به. للاطلاع على الوثائق الكاملة لهذه الأوضاع وغيرها، راجع صفحات وثائق الأوضاع: التنبؤ والتدريب والتحقق والتصدير.
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 (ترى مرة واحدة فقط) لـكشف الكائنات، التي طوّرها جوزيف ريدمون، والمعروفة بتوازنها بين الدقة والسرعة، إذ تستخدم ثلاثة مقاييس مختلفة للكشف (13x13 و26x26 و52x52). أما YOLOv3-Ultralytics فهو تكييف من Ultralytics لـ YOLOv3، يضيف دعمًا لمزيد من النماذج المدرّبة مسبقًا ويسهّل تخصيص النماذج. وYOLOv3u هو شكل مطوّر من YOLOv3-Ultralytics، يدمج الرأس المنقسم الخالي من المراسي والخالي من درجة وجود الكائنات من YOLOv8، ما يحسّن متانة الكشف ودقته للكائنات ذات الأحجام المختلفة. لمزيد من التفاصيل حول الأشكال، راجع سلسلة YOLOv3.
إن تدريب نموذج YOLOv3 باستخدام Ultralytics أمر مباشر. يمكنك تدريب النموذج 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 عبر نصوص Python البرمجية أو أوامر 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.
يدعم YOLOv3 وYOLOv3-Tiny وYOLOv3-SPP مهام كشف الكائنات أساسًا. ويمكن استخدام هذه النماذج في مختلف مراحل نشر النماذج وتطويرها، مثل الاستدلال والتحقق والتدريب والتصدير. للاطلاع على قائمة شاملة بالمهام المدعومة ومزيد من التفاصيل المتعمقة، تفضّل بزيارة وثائق مهام كشف الكائنات.
إذا استخدمت YOLOv3 في بحثك، يُرجى الاستشهاد بأوراق YOLO الأصلية ومستودع Ultralytics YOLOv3. مثال على استشهاد BibTeX:
اقتباس@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.