YOLOv3 und YOLOv3u#

Übersicht#

Dieses Dokument bietet eine Übersicht über drei eng miteinander verbundene Objekterkennungsmodelle, namentlich YOLOv3, YOLOv3-Ultralytics und YOLOv3u.

1. YOLOv3: Dies ist die dritte Version des Objekterkennungsalgorithmus You Only Look Once (YOLO). Ursprünglich von Joseph Redmon entwickelt, verbesserte YOLOv3 seine Vorgänger durch die Einführung von Funktionen wie multiskaligen Vorhersagen und drei verschiedenen Größen von Erkennungskernen.

2. YOLOv3u: Dies ist eine aktualisierte Version von YOLOv3-Ultralytics, die den ankerfreien, objektlosen geteilten Kopf (split head) enthält, der in YOLOv8-Modellen verwendet wird. YOLOv3u behält dieselbe Backbone- und Hals-Architektur wie YOLOv3 bei, jedoch mit dem aktualisierten Erkennungskopf von YOLOv8.

Hauptfunktionen#

• YOLOv3: Führte die Verwendung von drei verschiedenen Skalierungen für die Erkennung ein und nutzte dabei drei verschiedene Größen von Erkennungskernen: 13x13, 26x26 und 52x52. Dies verbesserte die Erkennungsgenauigkeit für Objekte unterschiedlicher Größe erheblich. Darüber hinaus fügte YOLOv3 Funktionen wie Mehrklassen-Vorhersagen (multi-label predictions) für jede BBox und ein besseres Merkmalsextraktionsnetzwerk hinzu.

• YOLOv3u: Dieses aktualisierte Modell integriert den ankerfreien, objektlos geteilten Kopf aus YOLOv8. Durch den Wegfall vordefinierter Anker-Boxen und Objekterkennungs-Scores kann dieses Erkennungskopf-Design die Fähigkeit des Modells verbessern, Objekte unterschiedlicher Größe und Form zu erkennen. Dies macht YOLOv3u robuster und genauer für Objekterkennungsaufgaben.

Unterstützte Aufgaben und Modi#

YOLOv3 wurde speziell für Objekterkennung-Aufgaben entwickelt. Ultralytics unterstützt drei Varianten von YOLOv3: yolov3u, yolov3-tinyu und yolov3-sppu. Das u im Namen bedeutet, dass diese den ankerfreien Kopf von YOLOv8 verwenden, im Gegensatz zu ihrer ursprünglichen Architektur, die ankerbasiert ist. Diese Modelle sind für ihre Effektivität in verschiedenen realen Szenarien bekannt und bieten eine ausgewogene Balance aus Genauigkeit und Geschwindigkeit. Jede Variante bietet einzigartige Funktionen und Optimierungen, wodurch sie für eine Reihe von Anwendungen geeignet sind.

Alle drei Modelle unterstützen einen umfassenden Satz von Modi, die Vielseitigkeit in verschiedenen Phasen der Modellbereitstellung und -entwicklung gewährleisten. Zu diesen Modi gehören Inferenz, Validierung, Training und Export, die Benutzern ein vollständiges Toolkit für eine effektive Objekterkennung zur Verfügung stellen.

Diese Tabelle bietet einen schnellen Überblick über die Fähigkeiten der einzelnen YOLOv3-Varianten und hebt deren Vielseitigkeit und Eignung für verschiedene Aufgaben und Betriebsmodi in Objekterkennungs-Workflows hervor.

Anwendungsbeispiele#

Dieses Beispiel bietet einfache Beispiele für das Training und die Inferenz mit YOLOv3. Vollständige Dokumentationen zu diesen und anderen Modi findest du auf den Dokumentationsseiten für 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 originalen YOLO-Papiere 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 originalen YOLOv3.

FAQ#