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.
-
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.
-
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.
-
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.

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 modelo | Pesos preentrenados | Tareas compatibles | Entrenamiento | Validación | Inferencia | Exportar |
|---|---|---|---|---|---|---|
| YOLOv3(u) | yolov3u.pt | Detección de objetos | ✅ | ✅ | ✅ | ✅ |
| YOLOv3-Tiny(u) | yolov3-tinyu.pt | Detección de objetos | ✅ | ✅ | ✅ | ✅ |
| YOLOv3-SPP(u) | yolov3-sppu.pt | Detección 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.
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:
@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:
Ejemplofrom 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:
Ejemplofrom 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.