YOLOv3 ، YOLOv3-Ultralytics، و YOLOv3u

نظره عامه

تقدم هذه الوثيقة نظرة عامة على ثلاثة نماذج للكشف عن الكائنات وثيقة الصلة ، وهي YOLOv3 ، YOLOv3-Ultralytics، و YOLOv3u.

1. YOLOv3: هذا هو الإصدار الثالث من أنت تنظر مرة واحدة فقط (YOLO) خوارزمية الكشف عن الكائنات. تم تطوير YOLOv3 في الأصل بواسطة Joseph Redmon ، وقد تم تحسينه على سابقاته من خلال تقديم ميزات مثل التنبؤات متعددة المقاييس وثلاثة أحجام مختلفة من حبات الكشف.

2. YOLOv3-Ultralytics هذا هو:Ultralyticsتنفيذ نموذج YOLOv3. إنه يعيد إنتاج بنية YOLOv3 الأصلية ويوفر وظائف إضافية ، مثل دعم المزيد من النماذج المدربة مسبقا وخيارات التخصيص الأسهل.

3. YOLOv3u: هذه نسخة محدثة من YOLOv3-Ultralytics يتضمن رأس الانقسام الخالي من المرساة والخالي من الأشياء المستخدم في YOLOv8 نماذج. يحافظ YOLOv3u على نفس بنية العمود الفقري والرقبة مثل YOLOv3 ولكن مع رأس الكشف المحدث من YOLOv8.

الميزات الرئيسية

• YOLOv3: تقديم استخدام ثلاثة مقاييس مختلفة للكشف ، والاستفادة من ثلاثة أحجام مختلفة من نواة الكشف: 13 × 13 و 26 × 26 و 52 × 52. أدى هذا إلى تحسين دقة الكشف بشكل كبير عن الأشياء ذات الأحجام المختلفة. بالإضافة إلى ذلك ، أضاف YOLOv3 ميزات مثل التنبؤات متعددة الملصقات لكل مربع محيط وشبكة مستخرج ميزات أفضل.

• YOLOv3-Ultralytics: Ultralyticsيوفر تنفيذ YOLOv3 نفس أداء النموذج الأصلي ولكنه يأتي مع دعم إضافي لمزيد من النماذج المدربة مسبقا وطرق التدريب الإضافية وخيارات التخصيص الأسهل. هذا يجعلها أكثر تنوعا وسهلة الاستخدام للتطبيقات العملية.

• YOLOv3u: يشتمل هذا الطراز المحدث على رأس منقسم خال من المرساة وخالي من الأشياء من YOLOv8. من خلال التخلص من الحاجة إلى مربعات الربط المحددة مسبقا ودرجات الكائن ، يمكن لتصميم رأس الكشف هذا تحسين قدرة النموذج على اكتشاف الكائنات ذات الأحجام والأشكال المختلفة. هذا يجعل YOLOv3u أكثر قوة ودقة لمهام الكشف عن الكائنات.

المهام والأوضاع المدعومة

سلسلة YOLOv3 ، بما في ذلك YOLOv3 و YOLOv3-Ultralytics، وYOLOv3u، تم تصميمهما خصيصا لمهام الكشف عن الكائنات. تشتهر هذه النماذج بفعاليتها في سيناريوهات العالم الحقيقي المختلفة ، وتحقيق التوازن بين الدقة والسرعة. يقدم كل متغير ميزات وتحسينات فريدة ، مما يجعلها مناسبة لمجموعة من التطبيقات.

تدعم جميع الطرازات الثلاثة مجموعة شاملة من الأوضاع ، مما يضمن تعدد الاستخدامات في مراحل مختلفة من نشر النموذج وتطويره. تتضمن هذه الأوضاع الاستدلال والتحقق من الصحة والتدريب والتصدير ، مما يوفر للمستخدمين مجموعة أدوات كاملة لاكتشاف الكائنات بشكل فعال.

يوفر هذا الجدول عرضا سريعا لقدرات كل متغير من YOLOv3 ، مع إبراز تعدد استخداماتها وملاءمتها لمختلف المهام والأوضاع التشغيلية في مهام سير عمل اكتشاف الكائنات.

أمثلة الاستخدام

يوفر هذا المثال أمثلة بسيطة للتدريب والاستدلال على YOLOv3. للحصول على وثائق كاملة حول هذه الأوضاع وغيرها ، راجع صفحات مستندات التنبؤ والتدريب وVal 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

إذا كنت تستخدم YOLOv3 في بحثك ، فيرجى الاستشهاد بالأصل YOLO الأوراق و Ultralytics مستودع YOLOv3:

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

شكرا لجوزيف ريدمون وعلي فرهادي على تطوير YOLOv3 الأصلي.

التعليقات