YOLOv3 et YOLOv3u
Présentation#
Ce document présente un aperçu de trois modèles de détection d’objets étroitement liés : YOLOv3, YOLOv3-Ultralytics et YOLOv3u.
-
YOLOv3 : il s’agit de la troisième version de l’algorithme de détection d’objets YOLO (« Tu ne regardes qu’une fois »). Développé à l’origine par Joseph Redmon, YOLOv3 a amélioré ses prédécesseurs en introduisant des prédictions à trois échelles différentes.
-
YOLOv3-Ultralytics : il s’agit de l’implémentation de YOLOv3 par Ultralytics avec PyTorch, maintenue dans le dépôt ultralytics/yolov3. Elle conserve l’architecture originale avec ancres, tout en ajoutant davantage de modèles préentraînés et une personnalisation plus simple.
-
YOLOv3u: Il s’agit d’une version mise à jour de YOLOv3-Ultralytics qui intègre la tête découplée 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 avec la tête de détection mise à jour de YOLOv8.

Fonctionnalités clés#
-
YOLOv3 : a introduit la détection à trois échelles différentes, avec des grilles de sortie de 13x13, 26x26 et 52x52 pour une entrée de 416x416. Cela a considérablement amélioré la précision de détection des objets de différentes tailles. De plus, YOLOv3 a ajouté des prédictions multilabel pour chaque boîte englobante et un réseau plus performant d’extraction des caractéristiques, Darknet-53.
-
YOLOv3u : ce modèle mis à jour intègre la tête séparée sans ancres et sans objectness de YOLOv8. En éliminant le besoin de boîtes d’ancrage et de scores d’objectness prédéfinis, 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 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, qui utilise des ancres. Ces variantes proposent différents compromis entre précision et vitesse : YOLOv3-Tiny est le modèle le plus petit et le plus rapide, tandis que YOLOv3-SPP ajoute un pooling pyramidal spatial au modèle YOLOv3 standard.
Les trois modèles prennent en charge les modes Training, Validation, Inference et Export, couvrant toutes les étapes, du développement au déploiement du modèle.
| Type de modèle | Poids préentraînés | Tâches prises en charge | Entraînement | Validation | Inférence | Export |
|---|---|---|---|---|---|---|
| YOLOv3(u) | yolov3u.pt | Détection d'objets | ✅ | ✅ | ✅ | ✅ |
| YOLOv3-Tiny(u) | yolov3-tinyu.pt | Détection d'objets | ✅ | ✅ | ✅ | ✅ |
| YOLOv3-SPP(u) | yolov3-sppu.pt | Détection d'objets | ✅ | ✅ | ✅ | ✅ |
Ce tableau récapitule les tâches et les modes pris en charge par chaque variante de YOLOv3.
Exemples d'utilisation#
Cet exemple présente des exemples simples d’entraînement et d’inférence avec YOLOv3.
Les modèles *.pt préentraînés PyTorch ainsi que les fichiers de configuration *.yaml peuvent être transmis à la classe YOLO() pour créer une instance de modèle en Python :
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#
YOLOv3 est la troisième itération de l’algorithme de détection d’objets YOLO (You Only Look Once), développé par Joseph Redmon et connu pour son équilibre entre précision et vitesse. Il effectue des prédictions à trois échelles différentes (grilles de 13x13, 26x26 et 52x52 pour une entrée de 416x416). YOLOv3-Ultralytics est l’adaptation d’Ultralytics de YOLOv3 ; elle ajoute la prise en charge d’un plus grand nombre de modèles préentraînés et facilite la personnalisation des modèles. YOLOv3u est une variante améliorée de YOLOv3-Ultralytics qui intègre la tête découplée sans ancres et sans score d’objectivité de YOLOv8, renforçant la robustesse et la précision de la détection pour des objets de différentes tailles.
Tu peux entraîner un modèle YOLOv3u avec Python ou la CLI :
Exemplefrom ultralytics import YOLO # Charger un modèle YOLOv3u préentraîné sur COCO model = YOLO("yolov3u.pt") # Entraîner le modèle sur le jeu de données d'exemple COCO8 pendant 100 époques results = model.train(data="coco8.yaml", epochs=100, imgsz=640)Pour découvrir davantage d’options et de recommandations pour l’entraînement, consulte la documentation du mode Train.
YOLOv3u améliore YOLOv3 et YOLOv3-Ultralytics en intégrant la tête divisée sans ancres et sans score d’objectness utilisée dans les modèles YOLOv8. Cette amélioration élimine le besoin de boîtes d’ancrage prédéfinies et de scores d’objectness, ce qui renforce sa capacité à détecter plus précisément des objets de tailles et de formes variées. YOLOv3u est ainsi un meilleur choix pour les tâches de détection d’objets complexes et variées. Pour en savoir plus, consulte la section Fonctionnalités clés.
Tu peux lancer l’inférence avec les modèles YOLOv3 depuis Python ou la CLI :
Exemplefrom ultralytics import YOLO # Charger un modèle YOLOv3u préentraîné sur COCO model = YOLO("yolov3u.pt") # Effectuer une inférence avec le modèle YOLOv3u sur l’image 'bus.jpg' results = model("path/to/bus.jpg")Consulte la documentation du mode Inference pour en savoir plus sur l’exécution des modèles YOLO.
YOLOv3, YOLOv3-Tiny et YOLOv3-SPP prennent principalement en charge les tâches de détection d’objets. Ces modèles prennent en charge les modes Entraînement, Validation, Inférence et Exportation.
Si tu utilises YOLOv3 dans tes recherches, cite les articles originaux sur YOLO ainsi que le dépôt YOLOv3 d’Ultralytics. Exemple de citation BibTeX :
Citation@article{redmon2018yolov3, title={YOLOv3: An Incremental Improvement}, author={Redmon, Joseph and Farhadi, Ali}, journal={arXiv preprint arXiv:1804.02767}, year={2018} }Pour en savoir plus sur les citations, consulte la section Citations et remerciements.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.