YOLOv3 e YOLOv3u#

Panoramica#

Questo documento presenta una panoramica di tre modelli di rilevamento di oggetti strettamente correlati, ovvero YOLOv3, YOLOv3-Ultralytics e YOLOv3u.

1. YOLOv3: Questa è la terza versione dell'algoritmo di rilevamento di oggetti You Only Look Once (YOLO). Originariamente sviluppato da Joseph Redmon, YOLOv3 ha migliorato i suoi predecessori introducendo funzionalità come previsioni a multiscala e tre diverse dimensioni di kernel di rilevamento.

2. YOLOv3u: Questa è una versione aggiornata di YOLOv3-Ultralytics che incorpora la testa divisa senza anchor e senza objectness utilizzata nei modelli YOLOv8. YOLOv3u mantiene la stessa architettura di backbone e neck di YOLOv3 ma con la testa di rilevamento aggiornata di YOLOv8.

Caratteristiche principali#

• YOLOv3: Ha introdotto l'uso di tre diverse scale per il rilevamento, sfruttando tre diverse dimensioni di kernel di rilevamento: 13x13, 26x26 e 52x52. Ciò ha migliorato significativamente la precisione di rilevamento per oggetti di diverse dimensioni. Inoltre, YOLOv3 ha aggiunto funzionalità come previsioni multi-etichetta per ogni casella di delimitazione e una rete estrattore di caratteristiche migliore.

• YOLOv3u: Questo modello aggiornato incorpora la testa divisa senza anchor e senza objectness di YOLOv8. Eliminando la necessità di anchor box predefinite e punteggi di objectness, questo design della testa di rilevamento può migliorare la capacità del modello di rilevare oggetti di diverse dimensioni e forme. Ciò rende YOLOv3u più robusto e accurato per le attività di rilevamento di oggetti.

Compiti e modalità supportati#

YOLOv3 è progettato specificamente per attività di rilevamento di oggetti. Ultralytics supporta tre varianti di YOLOv3: yolov3u, yolov3-tinyu e yolov3-sppu. La u nel nome indica che queste utilizzano la testa senza anchor di YOLOv8, a differenza della loro architettura originale che è basata su anchor. Questi modelli sono rinomati per la loro efficacia in vari scenari del mondo reale, bilanciando precisione e velocità. Ogni variante offre funzionalità e ottimizzazioni uniche, rendendole adatte a una gamma di applicazioni.

Tutti e tre i modelli supportano un set completo di modalità, garantendo versatilità in varie fasi del distacco del modello e dello sviluppo. Queste modalità includono Inferenza, Validazione, Addestramento ed Esportazione, offrendo agli utenti un toolkit completo per un efficace rilevamento di oggetti.

Questa tabella offre una panoramica immediata delle capacità di ciascuna variante di YOLOv3, evidenziandone la versatilità e l'idoneità per vari compiti e modalità operative nei flussi di lavoro di rilevamento di oggetti.

Esempi di Utilizzo#

Questo esempio fornisce semplici esempi di addestramento e inferenza per YOLOv3. Per la documentazione completa su queste e altre modalità, consulta le pagine di documentazione di Predizione, Addestramento, Val ed Esportazione.

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv3u model
model = YOLO("yolov3u.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 YOLOv3u model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

Citazioni e riconoscimenti#

Se usi YOLOv3 nella tua ricerca, cita i documenti originali di YOLO e il repository Ultralytics YOLOv3:

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

Un ringraziamento a Joseph Redmon e Ali Farhadi per aver sviluppato l'originale YOLOv3.

FAQ#

Quali sono le differenze tra YOLOv3, YOLOv3-Ultralytics e YOLOv3u?#

YOLOv3 è la terza iterazione dell'algoritmo di rilevamento di oggetti YOLO (You Only Look Once) sviluppato da Joseph Redmon, noto per il suo equilibrio tra precisione e velocità, che utilizza tre diverse scale (13x13, 26x26 e 52x52) per i rilevamenti. YOLOv3-Ultralytics è l'adattamento di Ultralytics di YOLOv3 che aggiunge il supporto per più modelli preaddestrati e facilita una maggiore personalizzazione del modello. YOLOv3u è una variante aggiornata di YOLOv3-Ultralytics, che integra la testa divisa senza anchor e senza objectness di YOLOv8, migliorando la robustezza e la precisione del rilevamento per varie dimensioni di oggetti. Per maggiori dettagli sulle varianti, fai riferimento alla serie YOLOv3.

Come posso addestrare un modello YOLOv3 usando Ultralytics?#

Addestrare un modello YOLOv3 con Ultralytics è semplice. Puoi addestrare il modello usando Python o la CLI:

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv3u model
model = YOLO("yolov3u.pt")

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

Per opzioni di addestramento e linee guida più complete, visita la nostra documentazione della modalità Addestramento.

Cosa rende YOLOv3u più accurato per le attività di rilevamento di oggetti?#

YOLOv3u migliora YOLOv3 e YOLOv3-Ultralytics incorporando la testa divisa senza anchor e senza objectness utilizzata nei modelli YOLOv8. Questo aggiornamento elimina la necessità di anchor box predefinite e punteggi di objectness, migliorando la sua capacità di rilevare oggetti di diverse dimensioni e forme in modo più preciso. Ciò rende YOLOv3u una scelta migliore per attività di rilevamento di oggetti complesse e diverse. Per ulteriori informazioni, fai riferimento alla sezione Funzionalità Chiave.

Come posso usare i modelli YOLOv3 per l'inferenza?#

Puoi eseguire l'inferenza usando i modelli YOLOv3 tramite script Python o comandi CLI:

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv3u model
model = YOLO("yolov3u.pt")

# Run inference with the YOLOv3u model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

Fai riferimento alla documentazione della modalità Inferenza per maggiori dettagli sull'esecuzione dei modelli YOLO.

Quali attività sono supportate da YOLOv3 e dalle sue varianti?#

YOLOv3, YOLOv3-Tiny e YOLOv3-SPP supportano principalmente attività di rilevamento di oggetti. Questi modelli possono essere utilizzati per varie fasi di sviluppo e rilascio del modello, come Inferenza, Validazione, Addestramento ed Esportazione. Per un set completo di attività supportate e dettagli più approfonditi, visita la nostra documentazione sulle attività di Rilevamento Oggetti.

Dove posso trovare risorse per citare YOLOv3 nella mia ricerca?#

Se usi YOLOv3 nella tua ricerca, cita i documenti originali di YOLO e il repository Ultralytics YOLOv3. Esempio di citazione BibTeX:

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

Per ulteriori dettagli sulle citazioni, fai riferimento alla sezione Citazioni e Ringraziamenti.