Erste Schritte

YOLOv3 und YOLOv3u

Übersicht#

Dieses Dokument gibt einen Überblick über drei eng verwandte Objekterkennungsmodelle: YOLOv3, YOLOv3-Ultralytics und YOLOv3u.

  1. YOLOv3: Dies ist die dritte Version des Objekterkennungsalgorithmus You Only Look Once (YOLO). YOLOv3 wurde ursprünglich von Joseph Redmon entwickelt und verbesserte seine Vorgänger durch Vorhersagen auf drei verschiedenen Skalen.

  2. YOLOv3-Ultralytics: Dies ist die PyTorch-Implementierung von YOLOv3 durch Ultralytics, die im Repository ultralytics/yolov3 gepflegt wird. Sie behält die ursprüngliche anchorbasierte Architektur bei und ergänzt weitere vortrainierte Modelle sowie einfachere Anpassungsmöglichkeiten.

  3. YOLOv3u: Dies ist eine aktualisierte Version von YOLOv3-Ultralytics, die den in YOLOv8-Modellen verwendeten anchorfreien, objektivitätsfreien geteilten Kopf integriert. YOLOv3u behält dieselbe Backbone- und Neck-Architektur wie YOLOv3 bei, verwendet aber den aktualisierten Erkennungskopf von YOLOv8.

Banner zum Objekterkennungsmodell YOLOv3

Wichtige Funktionen#

  • YOLOv3: Führte die Erkennung auf drei verschiedenen Skalen ein: mit Ausgaberastern von 13x13, 26x26 und 52x52 bei einer Eingabe von 416x416. Dadurch verbesserte sich die Erkennungsgenauigkeit für Objekte unterschiedlicher Größe erheblich. Außerdem ergänzte YOLOv3 Mehrfachklassen-Vorhersagen für jeden Begrenzungsrahmen sowie das leistungsfähigere Merkmalsextraktionsnetzwerk Darknet-53.

  • YOLOv3u: Dieses aktualisierte Modell integriert den anchorfreien, objektivitätsfreien geteilten Kopf von YOLOv8. Da keine vordefinierten Ankerboxen und Objektivitätswerte mehr benötigt werden, kann dieses Erkennungskopfdesign die Fähigkeit des Modells verbessern, Objekte unterschiedlicher Größe und Form zu erkennen. Dadurch ist YOLOv3u robuster und genauer bei Aufgaben zur Objekterkennung.

Unterstützte Aufgaben und Modi#

YOLOv3 wurde speziell für Aufgaben der Objekterkennung entwickelt. Ultralytics unterstützt drei Varianten von YOLOv3: yolov3u, yolov3-tinyu und yolov3-sppu. Der Zusatz u im Namen kennzeichnet, dass diese Varianten den anchorfreien Kopf von YOLOv8 verwenden – anders als die ursprüngliche Architektur, die anchorbasiert ist. Die Varianten bieten unterschiedliche Kompromisse zwischen Genauigkeit und Geschwindigkeit: YOLOv3-Tiny ist die kleinste und schnellste Variante, während YOLOv3-SPP das Standardmodell YOLOv3 um Spatial Pyramid Pooling erweitert.

Alle drei Modelle unterstützen die Modi Training, Validierung, Inferenz und Export und decken damit alle Phasen von der Entwicklung bis zur Modellbereitstellung ab.

ModelltypVortrainierte GewichteUnterstützte AufgabenTrainingValidierungInferenzExportieren
YOLOv3(u)yolov3u.ptObjekterkennung✅✅✅✅
YOLOv3-Tiny(u)yolov3-tinyu.ptObjekterkennung✅✅✅✅
YOLOv3-SPP(u)yolov3-sppu.ptObjekterkennung✅✅✅✅

Diese Tabelle fasst die unterstützten Aufgaben und Modi der einzelnen YOLOv3-Varianten zusammen.

Anwendungsbeispiele#

Dieses Beispiel zeigt einfache Beispiele für das Training und die Inferenz mit YOLOv3.

Beispiel

Vortrainierte PyTorch-Modelle *.pt sowie Konfigurationsdateien *.yaml kannst du an die Klasse YOLO() übergeben, um eine Modellinstanz in Python zu erstellen:

from ultralytics import YOLO

# Ein mit COCO vortrainiertes YOLOv3u-Modell laden
model = YOLO("yolov3u.pt")

# Modellinformationen anzeigen (optional)
model.info()

# Das Modell 100 Epochen lang mit dem COCO8-Beispieldatensatz trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Mit dem YOLOv3u-Modell eine Inferenz für das Bild 'bus.jpg' ausführen
results = model("path/to/bus.jpg")

Zitate und Danksagungen#

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

Zitierung
@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.

Häufig gestellte Fragen#

  • YOLOv3 ist die dritte Version des von Joseph Redmon entwickelten YOLO-Algorithmus (You Only Look Once) zur Objekterkennung. Das Modell ist für sein ausgewogenes Verhältnis von Genauigkeit und Geschwindigkeit bekannt und sagt Objekte auf drei verschiedenen Skalen voraus (13x13-, 26x26- und 52x52-Raster bei einer Eingabegröße von 416x416). YOLOv3-Ultralytics ist die Ultralytics-Anpassung von YOLOv3, die Unterstützung für weitere vortrainierte Modelle hinzufügt und die Anpassung von Modellen erleichtert. YOLOv3u ist eine verbesserte Variante von YOLOv3-Ultralytics, die den ankerfreien, objektivitätsfreien, geteilten Kopf von YOLOv8 integriert und so die Robustheit und Genauigkeit der Erkennung bei Objekten unterschiedlicher Größe verbessert.

  • Du kannst ein YOLOv3u-Modell mit Python oder der CLI trainieren:

    Beispiel
    from ultralytics import YOLO
    
    # Ein mit COCO vortrainiertes YOLOv3u-Modell laden
    model = YOLO("yolov3u.pt")
    
    # Das Modell 100 Epochen lang mit dem COCO8-Beispieldatensatz trainieren
    results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

    Ausführlichere Trainingsoptionen und Richtlinien findest du in unserer Dokumentation zum Trainingsmodus.

  • YOLOv3u verbessert YOLOv3 und YOLOv3-Ultralytics durch die Integration des ankerfreien, objektivitätsfreien Split-Heads aus YOLOv8-Modellen. Diese Weiterentwicklung macht vordefinierte Ankerboxen und Objektivitätswerte überflüssig und verbessert die Fähigkeit des Modells, Objekte unterschiedlicher Größe und Form präziser zu erkennen. Dadurch eignet sich YOLOv3u besser für komplexe und vielfältige Objekterkennungsaufgaben. Weitere Informationen findest du im Abschnitt Wichtige Funktionen.

  • Du kannst mit Python oder der CLI Inferenz mit YOLOv3-Modellen ausführen:

    Beispiel
    from ultralytics import YOLO
    
    # Ein mit COCO vortrainiertes YOLOv3u-Modell laden
    model = YOLO("yolov3u.pt")
    
    # Mit dem YOLOv3u-Modell eine Inferenz für das Bild 'bus.jpg' ausführen
    results = model("path/to/bus.jpg")

    Weitere Informationen zum Ausführen von YOLO-Modellen findest du in der Dokumentation zum Inferenzmodus.

  • YOLOv3, YOLOv3-Tiny und YOLOv3-SPP unterstützen hauptsächlich Aufgaben der Objekterkennung. Diese Modelle unterstützen die Modi Training, Validierung, Inferenz und Export.

  • Wenn du YOLOv3 in deiner Forschung verwendest, zitiere bitte die ursprünglichen YOLO-Arbeiten und das Ultralytics-YOLOv3-Repository. Beispiel für ein BibTeX-Zitat:

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

    Weitere Angaben zum Zitieren findest du im Abschnitt Zitate und Danksagungen.

Kommentare

Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.