YOLOv3, YOLOv3-Ultralytics, et YOLOv3u

Vue d'ensemble

Ce document présente une vue d'ensemble de trois modèles de détection d'objets étroitement liés, à savoir 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). Développé à l'origine 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 par Ultralytics du modèle YOLOv3. Il reproduit l'architecture originale de YOLOv3 et offre des fonctionnalités supplémentaires, telles que la prise en charge d'un plus grand nombre de modèles pré-entraînés et des options de personnalisation plus faciles.

3. YOLOv3u : Il s'agit d'une version mise à jour de YOLOv3-Ultralytics qui incorpore la tête de division sans ancrage et sans objet utilisée dans les modèles YOLOv8 . YOLOv3u conserve la même architecture de colonne vertébrale et de cou que YOLOv3, mais avec la tête de détection actualisée de YOLOv8.

Caractéristiques principales

• YOLOv3 : Introduction de l'utilisation de trois échelles différentes pour la détection, tirant parti de trois tailles différentes de noyaux de détection : 13x13, 26x26 et 52x52. Cela a permis d'améliorer considérablement la précision de la détection pour les objets de différentes tailles. En outre, YOLOv3 a ajouté des fonctionnalités telles que les prédictions multi-labels pour chaque boîte de délimitation et un meilleur réseau d'extraction de caractéristiques.

• YOLOv3-Ultralytics: Ultralytics L'implémentation de YOLOv3 offre les mêmes performances que le modèle original, mais prend en charge un plus grand nombre de modèles pré-entraînés, des méthodes d'entraînement supplémentaires et des options de personnalisation plus faciles. Cela le rend plus polyvalent et plus facile à utiliser pour les applications pratiques.

• YOLOv3u : Ce modèle mis à jour intègre la tête de détection sans ancrage et sans objet de YOLOv8. En éliminant le besoin de boîtes d'ancrage et de scores d'objectivité prédéfinis, cette conception de tête de détection peut améliorer la capacité du modèle à détecter des objets de tailles et de formes différentes. YOLOv3u est ainsi plus robuste et plus précis pour les tâches de détection d'objets.

Tâches et modes pris en charge

La série YOLOv3, qui comprend YOLOv3, YOLOv3-Ultralytics et YOLOv3u, est spécialement conçue pour les tâches de détection d'objets. Ces modèles sont réputés pour leur efficacité dans divers scénarios du monde réel, en conciliant précision et rapidité. Chaque variante offre des caractéristiques et des optimisations uniques, ce qui les rend adaptées à un large éventail d'applications.

Les trois modèles prennent en charge un ensemble complet de modes, garantissant la polyvalence à différents stades du déploiement et du développement du modèle. Ces modes comprennent l'inférence, la validation, l'entraînement et l'exportation, offrant aux utilisateurs une boîte à outils complète pour une détection efficace des objets.

Ce tableau donne un aperçu des capacités de chaque variante de YOLOv3, en soulignant leur polyvalence et leur adéquation à diverses tâches et modes opérationnels dans les flux de travail de détection d'objets.

Exemples d'utilisation

Cet exemple fournit des exemples simples de formation et d'inférence de YOLOv3. Pour une documentation complète sur ces modes et d'autres, voir les pages Predict, Train, Val et Export docs.

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv3n model
model = YOLO("yolov3n.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLOv3n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

# Load a COCO-pretrained YOLOv3n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov3n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv3n model and run inference on the 'bus.jpg' image
yolo predict model=yolov3n.pt source=path/to/bus.jpg

Citations et remerciements

Si vous utilisez YOLOv3 dans votre recherche, veuillez citer les articles originaux YOLO et le dépôt Ultralytics YOLOv3 :

@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 pour le développement de l'original YOLOv3.

FAQ

Quelles sont les différences entre YOLOv3, YOLOv3-Ultralytics et YOLOv3u ?

YOLOv3 est la troisième itération de l'algorithme de détection d'objets YOLO (You Only Look Once) développé par Joseph Redmon, connu pour son équilibre entre précision et rapidité, utilisant trois échelles différentes (13x13, 26x26 et 52x52) pour les détections. YOLOv3-Ultralytics est une adaptation de Ultralytics' de YOLOv3 qui prend en charge un plus grand nombre de modèles pré-entraînés et facilite la personnalisation des modèles. YOLOv3u est une variante améliorée de YOLOv3-Ultralytics, qui intègre la tête de division sans ancrage et sans objet de YOLOv8, améliorant la robustesse et la précision de la détection pour différentes tailles d'objets. Pour plus de détails sur les variantes, voir la série YOLOv3.

Comment puis-je entraîner un modèle YOLOv3 en utilisant Ultralytics?

L'entraînement d'un modèle YOLOv3 avec Ultralytics est simple. Vous pouvez entraîner le modèle en utilisant Python ou CLI:

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv3n model
model = YOLO("yolov3n.pt")

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Load a COCO-pretrained YOLOv3n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov3n.pt data=coco8.yaml epochs=100 imgsz=640

Pour des options de formation et des lignes directrices plus complètes, consultez notre documentation sur le mode de formation.

Qu'est-ce qui rend YOLOv3u plus précis pour les tâches de détection d'objets ?

YOLOv3u améliore YOLOv3 et YOLOv3-Ultralytics en incorporant la tête fendue sans ancrage et sans objet utilisée dans les modèles YOLOv8 . Cette amélioration élimine le besoin de boîtes d'ancrage prédéfinies et de scores d'objectivité, améliorant ainsi sa capacité à détecter avec plus de précision des objets de tailles et de formes différentes. YOLOv3u constitue ainsi un meilleur choix pour les tâches de détection d'objets complexes et diversifiées. Pour plus d'informations, consultez la section Pourquoi YOLOv3u.

Comment puis-je utiliser les modèles YOLOv3 pour l'inférence ?

Vous pouvez effectuer l'inférence à l'aide des modèles YOLOv3 en utilisant les scripts Python ou les commandes CLI :

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv3n model
model = YOLO("yolov3n.pt")

# Run inference with the YOLOv3n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

# Load a COCO-pretrained YOLOv3n model and run inference on the 'bus.jpg' image
yolo predict model=yolov3n.pt source=path/to/bus.jpg

Reportez-vous à la documentation du mode Inférence pour plus de détails sur l'exécution des modèles YOLO .

Quelles sont les tâches prises en charge par YOLOv3 et ses variantes ?

YOLOv3, YOLOv3-Ultralytics, et YOLOv3u prennent principalement en charge les tâches de détection d'objets. Ces modèles peuvent être utilisés à différents stades du déploiement et du développement de modèles, tels que l'inférence, la validation, l'entraînement et l'exportation. Pour obtenir un ensemble complet de tâches prises en charge et des détails plus approfondis, consultez notre documentation sur les tâches de détection d'objets.

Où puis-je trouver des ressources pour citer YOLOv3 dans mes recherches ?

Si vous utilisez YOLOv3 dans votre recherche, veuillez citer les articles originaux YOLO et le dépôt Ultralytics YOLOv3. Exemple de citation BibTeX :

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

Pour plus de détails sur les citations, voir la section Citations et remerciements.

📅C réé il y a 1 an ✏️ Mis à jour il y a 1 mois

Commentaires