YOLOv3, YOLOv3-Ultralytics, और YOLOv3u

विहंगावलोकन

यह दस्तावेज़ तीन निकट से संबंधित ऑब्जेक्ट डिटेक्शन मॉडल, अर्थात् YOLOv3 का अवलोकन प्रस्तुत करता है, योलोव3-Ultralytics, और YOLOv3u।

1. योलोव3: यह यू ओनली लुक वन्स (YOLO) ऑब्जेक्ट डिटेक्शन एल्गोरिथ्म। मूल रूप से जोसेफ रेडमोन द्वारा विकसित, YOLOv3 ने मल्टीस्केल भविष्यवाणियों और पहचान कर्नेल के तीन अलग-अलग आकारों जैसी सुविधाओं को पेश करके अपने पूर्ववर्तियों में सुधार किया।

2. योलोव3-Ultralytics: यह है Ultralytics' YOLOv3 मॉडल का कार्यान्वयन। यह मूल YOLOv3 आर्किटेक्चर को पुन: पेश करता है और अतिरिक्त कार्यक्षमता प्रदान करता है, जैसे कि अधिक पूर्व-प्रशिक्षित मॉडल और आसान अनुकूलन विकल्पों के लिए समर्थन।

3. YOLOv3u: यह YOLOv3 का अपडेटेड वर्जन है-Ultralytics इसमें एंकर-मुक्त, ऑब्जेक्टनेस-फ्री स्प्लिट हेड शामिल है YOLOv8 मॉडल। YOLOv3u YOLOv3 के समान रीढ़ और गर्दन की वास्तुकला को बनाए रखता है, लेकिन अद्यतन पहचान सिर के साथ YOLOv8.

प्रमुख विशेषताऐं

• योलोव3: पता लगाने के लिए तीन अलग-अलग पैमानों के उपयोग का परिचय दिया, पता लगाने वाली गुठली के तीन अलग-अलग आकारों का लाभ उठाया: 13x13, 26x26, और 52x52। इसने विभिन्न आकारों की वस्तुओं के लिए पहचान सटीकता में काफी सुधार किया। इसके अतिरिक्त, YOLOv3 ने प्रत्येक बाउंडिंग बॉक्स के लिए मल्टी-लेबल भविष्यवाणियों और एक बेहतर फीचर एक्सट्रैक्टर नेटवर्क जैसी सुविधाओं को जोड़ा।

• योलोव3-Ultralytics: UltralyticsYOLOv3 का कार्यान्वयन मूल मॉडल के समान प्रदर्शन प्रदान करता है लेकिन अधिक पूर्व-प्रशिक्षित मॉडल, अतिरिक्त प्रशिक्षण विधियों और आसान अनुकूलन विकल्पों के लिए अतिरिक्त समर्थन के साथ आता है। यह व्यावहारिक अनुप्रयोगों के लिए इसे अधिक बहुमुखी और उपयोगकर्ता के अनुकूल बनाता है।

• YOLOv3u: इस अद्यतन मॉडल में एंकर-मुक्त, वस्तु-मुक्त स्प्लिट हेड शामिल है YOLOv8. पूर्व-निर्धारित एंकर बॉक्स और ऑब्जेक्टनेस स्कोर की आवश्यकता को समाप्त करके, यह डिटेक्शन हेड डिज़ाइन अलग-अलग आकार और आकार की वस्तुओं का पता लगाने के लिए मॉडल की क्षमता में सुधार कर सकता है। यह ऑब्जेक्ट डिटेक्शन कार्यों के लिए YOLOv3u को अधिक मजबूत और सटीक बनाता है।

समर्थित कार्य और मोड

YOLOv3 श्रृंखला, जिसमें YOLOv3, YOLOv3- शामिल हैंUltralytics, और YOLOv3u, विशेष रूप से ऑब्जेक्ट डिटेक्शन कार्यों के लिए डिज़ाइन किए गए हैं। ये मॉडल विभिन्न वास्तविक दुनिया परिदृश्यों में उनकी प्रभावशीलता के लिए प्रसिद्ध हैं, सटीकता और गति को संतुलित करते हैं। प्रत्येक संस्करण अद्वितीय विशेषताएं और अनुकूलन प्रदान करता है, जो उन्हें अनुप्रयोगों की एक श्रृंखला के लिए उपयुक्त बनाता है।

सभी तीन मॉडल मोड के एक व्यापक सेट का समर्थन करते हैं, मॉडल तैनाती और विकास के विभिन्न चरणों में बहुमुखी प्रतिभा सुनिश्चित करते हैं। इन मोड में अनुमान, सत्यापन, प्रशिक्षण और निर्यात शामिल हैं, जो उपयोगकर्ताओं को प्रभावी वस्तु का पता लगाने के लिए एक पूर्ण टूलकिट प्रदान करते हैं।

यह तालिका प्रत्येक YOLOv3 संस्करण की क्षमताओं का एक नज़र में दृश्य प्रदान करती है, जो ऑब्जेक्ट डिटेक्शन वर्कफ़्लोज़ में विभिन्न कार्यों और परिचालन मोड के लिए उनकी बहुमुखी प्रतिभा और उपयुक्तता को उजागर करती है।

उपयोग के उदाहरण

यह उदाहरण सरल YOLOv3 प्रशिक्षण और अनुमान उदाहरण प्रदान करता है। इन और अन्य मोड पर पूर्ण प्रलेखन के लिए भविष्यवाणी, ट्रेन, वैल और निर्यात डॉक्स पृष्ठ देखें।

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

प्रशंसा पत्र और पावती

यदि आप अपने शोध में YOLOv3 का उपयोग करते हैं, तो कृपया मूल का हवाला दें YOLO कागजात और Ultralytics YOLOv3 भंडार:

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

मूल YOLOv3 को विकसित करने के लिए जोसेफ रेडमोन और अली फरहादी को धन्यवाद।

टिप्पणियाँ