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.
-
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.
-
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.
-
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.
نوع الموديل | المهام المدعومة | استدلال | التحقق | تدريب | تصدير |
---|---|---|---|---|---|
يولو v3 | كشف الكائن | ✅ | ✅ | ✅ | ✅ |
YOLOv3-Ultralytics | كشف الكائن | ✅ | ✅ | ✅ | ✅ |
YOLOv3u | كشف الكائن | ✅ | ✅ | ✅ | ✅ |
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.
مثل
PyTorch التدريب المسبق *.pt
النماذج وكذلك التكوين *.yaml
يمكن تمرير الملفات إلى ملف YOLO()
فئة لإنشاء مثيل نموذج في python:
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")
CLI تتوفر الأوامر لتشغيل النماذج مباشرة:
الاستشهادات والشكر
إذا كنت تستخدم YOLOv3 في بحثك ، فيرجى الاستشهاد بالأصل YOLO الأوراق و Ultralytics مستودع YOLOv3:
شكرا لجوزيف ريدمون وعلي فرهادي على تطوير YOLOv3 الأصلي.
الأسئلة المتداولة
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:
مثل
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 :
مثل
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:
لمزيد من تفاصيل الاقتباس، راجع قسم الاقتباسات والشكر والتقدير.