YOLOv3 und YOLOv3u#

Übersicht#

Dieses Dokument gibt einen Überblick über drei eng verwandte Modelle zur Objekterkennung, nämlich YOLOv3, YOLOv3-Ultralytics und YOLOv3u.

1. YOLOv3: Dies ist die dritte Version des Algorithmus zur Objekterkennung You Only Look Once (YOLO). YOLOv3 wurde ursprünglich von Joseph Redmon entwickelt und verbesserte seine Vorgänger durch Funktionen wie Vorhersagen auf mehreren Maßstäben und drei unterschiedliche Größen von Detektionskernen.

2. YOLOv3-Ultralytics: Dies ist die PyTorch-Implementierung von YOLOv3 durch Ultralytics, die im ultralytics/yolov3 Repository gepflegt wird. Sie behält die ursprüngliche Anker-basierte Architektur bei und fügt gleichzeitig weitere vortrainierte Modelle und eine einfachere Anpassbarkeit hinzu.

3. YOLOv3u: Dies ist eine aktualisierte Version von YOLOv3-Ultralytics, die den ankerfreien, objektwahrscheinlichkeitsfreien geteilten Kopf verwendet, der in YOLOv8-Modellen zum Einsatz kommt. YOLOv3u behält dieselbe Backbone- und Neck-Architektur wie YOLOv3 bei, verwendet jedoch den aktualisierten Detektionskopf von YOLOv8.

Wichtige Funktionen#

• YOLOv3: Führte die Verwendung von drei unterschiedlichen Maßstäben für die Detektion ein und nutzte dafür drei verschiedene Größen von Detektionskernen: 13x13, 26x26 und 52x52. Dadurch wurde die Erkennungsgenauigkeit für Objekte unterschiedlicher Größe deutlich verbessert. Außerdem ergänzte YOLOv3 Funktionen wie Vorhersagen mit mehreren Labels für jede Bounding Box und ein besseres Netzwerk zur Merkmalsextraktion.

• YOLOv3u: Dieses aktualisierte Modell übernimmt den ankerfreien, objektwahrscheinlichkeitsfreien geteilten Kopf von YOLOv8. Durch den Wegfall vordefinierter Ankerboxen und Objektwahrscheinlichkeitswerte kann dieses Design des Detektionskopfs die Fähigkeit des Modells verbessern, Objekte unterschiedlicher Größe und Form zu erkennen. Dadurch ist YOLOv3u bei Aufgaben der Objekterkennung robuster und genauer.

Unterstützte Aufgaben und Modi#

YOLOv3 wurde speziell für Aufgaben der Objekterkennung entwickelt. Ultralytics unterstützt drei Varianten von YOLOv3: yolov3u, yolov3-tinyu und yolov3-sppu. Das u im Namen weist darauf hin, dass diese Modelle den ankerfreien Kopf von YOLOv8 verwenden, im Gegensatz zu ihrer ursprünglichen Architektur, die auf Ankern basiert. Diese Modelle sind für ihre Effektivität in verschiedenen realen Szenarien bekannt und bieten ein ausgewogenes Verhältnis zwischen Genauigkeit und Geschwindigkeit. Jede Variante bietet eigene Funktionen und Optimierungen und eignet sich dadurch für eine Reihe von Anwendungen.

Alle drei Modelle unterstützen eine umfassende Auswahl an Modi und gewährleisten so Flexibilität in verschiedenen Phasen der Modellbereitstellung und Entwicklung. Zu diesen Modi gehören Inference, Validierung, Training und Export. Damit steht dir ein vollständiges Werkzeugset für eine effektive Objekterkennung zur Verfügung.

Diese Tabelle bietet einen Überblick über die Funktionen der einzelnen YOLOv3-Varianten und zeigt ihre Vielseitigkeit sowie ihre Eignung für verschiedene Aufgaben und Betriebsmodi in Arbeitsabläufen zur Objekterkennung.

Verwendungsbeispiele#

Dieses Beispiel zeigt einfache Beispiele für das Training und die Inference mit YOLOv3. Eine vollständige Dokumentation dieser und weiterer Modi findest du auf den Dokumentationsseiten zu Predict, Train, Val und Export.

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv3u model
model = YOLO("yolov3u.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 YOLOv3u model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

Zitate und Danksagungen#

Wenn du YOLOv3 in deiner Forschung verwendest, zitiere bitte die ursprünglichen YOLO-Publikationen und das Ultralytics-YOLOv3-Repository:

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

Vielen Dank an Joseph Redmon und Ali Farhadi für die Entwicklung des ursprünglichen YOLOv3.

FAQ#