Inizia

YOLOv3 e YOLOv3u

Panoramica#

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

  1. YOLOv3: è la terza versione dell'algoritmo di rilevamento di oggetti You Only Look Once (YOLO). Sviluppato inizialmente da Joseph Redmon, YOLOv3 ha migliorato i modelli precedenti introducendo previsioni a tre scale diverse.

  2. YOLOv3-Ultralytics: è l'implementazione PyTorch di YOLOv3 di Ultralytics, mantenuta nel repository ultralytics/yolov3. Mantiene l'architettura originale basata su anchor, aggiungendo più modelli preaddestrati e una personalizzazione più semplice.

  3. YOLOv3u: è una versione aggiornata di YOLOv3-Ultralytics che integra la testa divisa senza anchor e senza objectness utilizzata nei modelli YOLOv8. YOLOv3u mantiene la stessa architettura di backbone e neck di YOLOv3, ma adotta la testa di rilevamento aggiornata di YOLOv8.

Banner del modello di rilevamento degli oggetti YOLOv3

Funzionalità principali#

  • YOLOv3: ha introdotto il rilevamento a tre scale diverse, con griglie di output 13x13, 26x26 e 52x52 per un input di 416x416. Questo ha migliorato notevolmente l'accuratezza del rilevamento di oggetti di dimensioni diverse. Inoltre, YOLOv3 ha aggiunto previsioni multietichetta per ogni riquadro di delimitazione e una rete estrattrice di caratteristiche più potente, Darknet-53.

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

Attività e modalità supportate#

YOLOv3 è progettato specificamente per le attività di rilevamento di oggetti. Ultralytics supporta tre varianti di YOLOv3: yolov3u, yolov3-tinyu e yolov3-sppu. La presenza di u nel nome indica che queste varianti utilizzano la testa senza anchor di YOLOv8, a differenza dell'architettura originale, basata su anchor. Le varianti bilanciano accuratezza e velocità: YOLOv3-Tiny è la più piccola e veloce, mentre YOLOv3-SPP aggiunge il pooling a piramide spaziale al modello YOLOv3 standard.

Tutti e tre i modelli supportano le modalità Training, Validation, Inference ed Export, coprendo tutte le fasi, dallo sviluppo alla distribuzione del modello.

Tipo di modelloPesi preaddestratiAttività supportateAddestramentoValidazioneInferenzaEsporta
YOLOv3(u)yolov3u.ptRilevamento di oggetti✅✅✅✅
YOLOv3-Tiny(u)yolov3-tinyu.ptRilevamento di oggetti✅✅✅✅
YOLOv3-SPP(u)yolov3-sppu.ptRilevamento di oggetti✅✅✅✅

Questa tabella riassume le attività e le modalità supportate da ciascuna variante di YOLOv3.

Esempi d'uso#

Questo esempio illustra semplici esempi di addestramento e inferenza con YOLOv3.

Esempio

I modelli *.pt preaddestrati con PyTorch e i file di configurazione *.yaml possono essere passati alla classe YOLO() per creare un'istanza del modello in Python:

from ultralytics import YOLO

# Carica un modello YOLOv3u preaddestrato su COCO
model = YOLO("yolov3u.pt")

# Visualizza le informazioni sul modello (facoltativo)
model.info()

# Addestra il modello sul dataset di esempio COCO8 per 100 epoche
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Esegui l'inferenza con il modello YOLOv3u sull'immagine 'bus.jpg'
results = model("path/to/bus.jpg")

Citazioni e ringraziamenti#

Se usi YOLOv3 nella tua ricerca, cita gli articoli originali su YOLO e il repository YOLOv3 di Ultralytics:

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

Grazie a Joseph Redmon e Ali Farhadi per aver sviluppato YOLOv3 originale.

Domande frequenti#

  • YOLOv3 è la terza iterazione dell'algoritmo di rilevamento degli oggetti YOLO (You Only Look Once), sviluppato da Joseph Redmon e noto per il suo equilibrio tra precisione e velocità; effettua previsioni a tre scale diverse (griglie 13x13, 26x26 e 52x52 per un input di 416x416). YOLOv3-Ultralytics è l'adattamento di YOLOv3 realizzato da Ultralytics, che aggiunge il supporto per più modelli preaddestrati e semplifica la personalizzazione dei modelli. YOLOv3u è una variante aggiornata di YOLOv3-Ultralytics che integra la testa suddivisa senza anchor e senza objectness di YOLOv8, migliorando la robustezza e la precisione del rilevamento per oggetti di varie dimensioni.

  • Puoi addestrare un modello YOLOv3u con Python o con la CLI:

    Esempio
    from ultralytics import YOLO
    
    # Carica un modello YOLOv3u preaddestrato su COCO
    model = YOLO("yolov3u.pt")
    
    # Addestra il modello sul dataset di esempio COCO8 per 100 epoche
    results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

    Per ulteriori opzioni e indicazioni sull'addestramento, consulta la nostra documentazione sulla modalità Train.

  • YOLOv3u migliora YOLOv3 e YOLOv3-Ultralytics integrando la head separata, senza anchor e senza objectness, utilizzata nei modelli YOLOv8. Questo aggiornamento elimina la necessità di anchor box predefinite e punteggi di objectness, migliorando la capacità di rilevare con maggiore precisione oggetti di dimensioni e forme diverse. Per questo, YOLOv3u è una scelta migliore per attività di rilevamento degli oggetti complesse e variegate. Per maggiori informazioni, consulta la sezione Funzionalità principali.

  • Puoi eseguire l'inferenza con i modelli YOLOv3 da Python o dalla CLI:

    Esempio
    from ultralytics import YOLO
    
    # Carica un modello YOLOv3u preaddestrato su COCO
    model = YOLO("yolov3u.pt")
    
    # Esegui l'inferenza con il modello YOLOv3u sull'immagine 'bus.jpg'
    results = model("path/to/bus.jpg")

    Per maggiori dettagli sull'esecuzione dei modelli YOLO, consulta la documentazione sulla modalità Inference.

  • YOLOv3, YOLOv3-Tiny e YOLOv3-SPP supportano principalmente le attività di rilevamento degli oggetti. Questi modelli supportano le modalità di addestramento, convalida, inferenza ed esportazione.

  • Se usi YOLOv3 nella tua ricerca, cita gli articoli originali su YOLO e il repository YOLOv3 di Ultralytics. Esempio di citazione BibTeX:

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

    Per maggiori dettagli sulle citazioni, consulta la sezione Citazioni e ringraziamenti.

Commenti

Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.