YOLOv3 et YOLOv3u#

Présentation#

Ce document présente un aperçu de trois modèles de détection d’objets étroitement liés : YOLOv3, YOLOv3-Ultralytics et YOLOv3u.

1. YOLOv3 : Il s’agit de la troisième version de l’algorithme de détection d’objets « You Only Look Once » (YOLO). Initialement développé par Joseph Redmon, YOLOv3 a amélioré ses prédécesseurs en introduisant des fonctionnalités telles que les prédictions multi-échelles et trois tailles différentes de noyaux de détection.

2. YOLOv3-Ultralytics : Il s’agit de l’implémentation de YOLOv3 par Ultralytics avec PyTorch, maintenue dans le dépôt ultralytics/yolov3. Elle conserve l’architecture d’origine basée sur des ancres, tout en ajoutant davantage de modèles préentraînés et en facilitant la personnalisation.

3. YOLOv3u : Il s’agit d’une version mise à jour de YOLOv3-Ultralytics qui intègre la tête divisée sans ancres et sans score d’objectness utilisée dans les modèles YOLOv8. YOLOv3u conserve la même architecture de backbone et de neck que YOLOv3, mais utilise la tête de détection mise à jour de YOLOv8.

Fonctionnalités clés#

• YOLOv3 : A introduit l’utilisation de trois échelles différentes pour la détection, en s’appuyant sur trois tailles de noyaux de détection : 13x13, 26x26 et 52x52. Cela a considérablement amélioré la précision de détection des objets de différentes tailles. De plus, YOLOv3 a ajouté des fonctionnalités telles que les prédictions multi-étiquettes pour chaque boîte englobante et un meilleur réseau d’extraction de caractéristiques.

• YOLOv3u : Ce modèle mis à jour intègre la tête divisée sans ancres et sans score d’objectness de YOLOv8. En éliminant le besoin de boîtes d’ancrage prédéfinies et de scores d’objectness, cette conception de tête de détection peut améliorer la capacité du modèle à détecter des objets de tailles et de formes variées. YOLOv3u est ainsi plus robuste et plus précis pour les tâches de détection d’objets.

Tâches et modes pris en charge#

YOLOv3 est conçu spécifiquement pour les tâches de détection d’objets. Ultralytics prend en charge trois variantes de YOLOv3 : yolov3u, yolov3-tinyu et yolov3-sppu. Le u dans le nom indique que ces modèles utilisent la tête sans ancres de YOLOv8, contrairement à leur architecture d’origine basée sur des ancres. Ces modèles sont réputés pour leur efficacité dans divers scénarios réels, où ils offrent un équilibre entre précision et vitesse. Chaque variante propose des fonctionnalités et des optimisations spécifiques, qui la rendent adaptée à de nombreuses applications.

Les trois modèles prennent en charge un ensemble complet de modes, ce qui les rend polyvalents aux différentes étapes du déploiement de modèles et du développement. Ces modes comprennent l’inférence, la validation, l’entraînement et l’exportation, offrant aux utilisateurs une boîte à outils complète pour réaliser efficacement des tâches de détection d’objets.

Ce tableau donne un aperçu des capacités de chaque variante de YOLOv3 et met en évidence leur polyvalence ainsi que leur adéquation à différentes tâches et à différents modes opérationnels dans les flux de travail de détection d’objets.

Exemples d'utilisation#

Cet exemple présente des exemples simples d’entraînement et d’inférence avec YOLOv3. Pour consulter la documentation complète sur ces modes et les autres modes, consulte les pages de documentation Predict, Train, Val et Export.

from ultralytics import YOLO

# Charger un modèle YOLOv3u préentraîné sur COCO
model = YOLO("yolov3u.pt")

# Afficher les informations du modèle (facultatif)
model.info()

# Entraîner le modèle sur le jeu de données d'exemple COCO8 pendant 100 époques
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Effectuer une inférence avec le modèle YOLOv3u sur l’image 'bus.jpg'
results = model("path/to/bus.jpg")

Citations et remerciements#

Si tu utilises YOLOv3 dans tes recherches, cite les articles originaux sur YOLO ainsi que le dépôt YOLOv3 d’Ultralytics :

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

Merci à Joseph Redmon et Ali Farhadi d’avoir développé le YOLOv3 d’origine.

FAQ#