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: Introduced the use of three different scales for detection, leveraging three different sizes of detection kernels: 13x13, 26x26, and 52x52. This significantly improved detection accuracy for objects of different sizes. Additionally, YOLOv3 added features such as multi-label predictions for each bounding box and a better feature extractor network.

• 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.

All three models support a comprehensive set of modes, ensuring versatility in various stages of model deployment and development. These modes include Inference, Validation, Training, and Export, providing users with a complete toolkit for effective object detection.

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.

الأسئلة المتداولة

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

YOLOv3 is the third iteration of the YOLO (You Only Look Once) object detection algorithm developed by Joseph Redmon, known for its balance of accuracy and speed, utilizing three different scales (13x13, 26x26, and 52x52) for detections. YOLOv3-Ultralytics is Ultralytics' adaptation of YOLOv3 that adds support for more pre-trained models and facilitates easier model customization. YOLOv3u is an upgraded variant of YOLOv3-Ultralytics, integrating the anchor-free, objectness-free split head from YOLOv8, improving detection robustness and accuracy for various object sizes. For more details on the variants, refer to the YOLOv3 series.

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.

📅 Created 11 months ago ✏️ Updated 28 days ago

التعليقات