Empezar

YOLOv3 y YOLOv3u

Descripción general#

Este documento presenta una descripción general de tres modelos de detección de objetos estrechamente relacionados: YOLOv3, YOLOv3-Ultralytics y YOLOv3u.

  1. YOLOv3: Esta es la tercera versión del algoritmo de detección de objetos «Solo miras una vez» (YOLO). Desarrollado originalmente por Joseph Redmon, YOLOv3 mejoró sus predecesores al introducir predicciones a tres escalas distintas.

  2. YOLOv3-Ultralytics: Esta es la implementación de YOLOv3 en PyTorch de Ultralytics, mantenida en el repositorio ultralytics/yolov3. Conserva la arquitectura original basada en anclajes y añade más modelos preentrenados y opciones de personalización más sencillas.

  3. YOLOv3u: Esta es una versión actualizada de YOLOv3-Ultralytics que incorpora la cabeza dividida sin anclajes ni puntuación de presencia de objetos, utilizada en los modelos YOLOv8. YOLOv3u mantiene la misma arquitectura de red troncal y cuello que YOLOv3, pero con la cabeza de detección actualizada de YOLOv8.

Banner del modelo de detección de objetos YOLOv3

Características principales#

  • YOLOv3: Introdujo la detección a tres escalas distintas, con cuadrículas de salida de 13x13, 26x26 y 52x52 para una entrada de 416x416. Esto mejoró considerablemente la precisión de detección de objetos de distintos tamaños. Además, YOLOv3 añadió predicciones multietiqueta para cada caja delimitadora y una red extractora de características más potente, Darknet-53.

  • YOLOv3u: Este modelo actualizado incorpora la cabeza dividida de YOLOv8, sin anclajes ni objetos. Al eliminar la necesidad de cajas de anclaje predefinidas y puntuaciones de presencia de objetos, este diseño de cabeza de detección puede mejorar la capacidad del modelo para detectar objetos de tamaños y formas variados. Esto hace que YOLOv3u sea más robusto y preciso en tareas de detección de objetos.

Tareas y modos compatibles#

YOLOv3 está diseñado específicamente para tareas de detección de objetos. Ultralytics admite tres variantes de YOLOv3: yolov3u, yolov3-tinyu y yolov3-sppu. El término u del nombre indica que utilizan la cabeza sin anclajes de YOLOv8, a diferencia de su arquitectura original, basada en anclajes. Las variantes ofrecen distintos equilibrios entre precisión y velocidad: YOLOv3-Tiny es la más pequeña y rápida, mientras que YOLOv3-SPP añade agrupación piramidal espacial al modelo YOLOv3 estándar.

Los tres modelos admiten los modos de entrenamiento, validación, inferencia y exportación, y cubren todas las etapas, desde el desarrollo hasta la implementación del modelo.

Tipo de modeloPesos preentrenadosTareas compatiblesEntrenamientoValidaciónInferenciaExportar
YOLOv3(u)yolov3u.ptDetección de objetos✅✅✅✅
YOLOv3-Tiny(u)yolov3-tinyu.ptDetección de objetos✅✅✅✅
YOLOv3-SPP(u)yolov3-sppu.ptDetección de objetos✅✅✅✅

Esta tabla resume las tareas y los modos admitidos por cada variante de YOLOv3.

Ejemplos de uso#

Este ejemplo ofrece ejemplos sencillos de entrenamiento e inferencia con YOLOv3.

Ejemplo

Se pueden pasar modelos *.pt preentrenados de PyTorch, así como archivos de configuración *.yaml, a la clase YOLO() para crear una instancia del modelo en Python:

from ultralytics import YOLO

# Carga un modelo YOLOv3u preentrenado con COCO
model = YOLO("yolov3u.pt")

# Mostrar información del modelo (opcional)
model.info()

# Entrena el modelo durante 100 épocas con el conjunto de datos de ejemplo COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Ejecuta inferencias con el modelo YOLOv3u en la imagen 'bus.jpg'
results = model("path/to/bus.jpg")

Citas y agradecimientos#

Si utilizas YOLOv3 en tu investigación, cita los artículos originales de YOLO y el repositorio de YOLOv3 de Ultralytics:

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

Gracias a Joseph Redmon y Ali Farhadi por desarrollar el YOLOv3 original.

Preguntas frecuentes#

  • YOLOv3 es la tercera iteración del algoritmo de detección de objetos YOLO (Solo miras una vez), desarrollado por Joseph Redmon y conocido por equilibrar precisión y velocidad. Realiza predicciones en tres escalas distintas (cuadrículas de 13x13, 26x26 y 52x52 para una entrada de 416x416). YOLOv3-Ultralytics es la adaptación de YOLOv3 de Ultralytics, que añade compatibilidad con más modelos preentrenados y facilita la personalización de modelos. YOLOv3u es una variante mejorada de YOLOv3-Ultralytics que integra la cabeza dividida sin anclajes y sin predicción de objetualidad de YOLOv8, y mejora la robustez y la precisión de la detección para objetos de distintos tamaños.

  • Puedes entrenar un modelo YOLOv3u con Python o con la CLI:

    Ejemplo
    from ultralytics import YOLO
    
    # Carga un modelo YOLOv3u preentrenado con COCO
    model = YOLO("yolov3u.pt")
    
    # Entrena el modelo durante 100 épocas con el conjunto de datos de ejemplo COCO8
    results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

    Para consultar más opciones y directrices de entrenamiento, visita nuestra documentación del modo Train.

  • YOLOv3u mejora YOLOv3 y YOLOv3-Ultralytics al incorporar la cabeza dividida sin anclajes y sin predicción de presencia de objetos que se usa en los modelos YOLOv8. Esta mejora elimina la necesidad de cuadros de anclaje predefinidos y puntuaciones de presencia de objetos, lo que aumenta su capacidad para detectar con mayor precisión objetos de tamaños y formas variados. Esto hace que YOLOv3u sea una mejor opción para tareas de detección de objetos complejas y diversas. Para obtener más información, consulta la sección Características principales.

  • Puedes ejecutar inferencias con modelos YOLOv3 desde Python o desde la CLI:

    Ejemplo
    from ultralytics import YOLO
    
    # Carga un modelo YOLOv3u preentrenado con COCO
    model = YOLO("yolov3u.pt")
    
    # Ejecuta inferencias con el modelo YOLOv3u en la imagen 'bus.jpg'
    results = model("path/to/bus.jpg")

    Consulta la documentación del modo de inferencia para obtener más información sobre cómo ejecutar modelos YOLO.

  • YOLOv3, YOLOv3-Tiny y YOLOv3-SPP admiten principalmente tareas de detección de objetos. Estos modelos admiten los modos de entrenamiento, validación, inferencia y exportación.

  • Si utilizas YOLOv3 en tu investigación, cita los artículos originales de YOLO y el repositorio de YOLOv3 de Ultralytics. Ejemplo de cita BibTeX:

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

    Para obtener más información sobre las citas, consulta la sección Citas y agradecimientos.

Comentarios

Haz una pregunta, comparte tus resultados o ayuda a otra persona.