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

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 modello | Pesi preaddestrati | Attività supportate | Addestramento | Validazione | Inferenza | Esporta |
|---|---|---|---|---|---|---|
| YOLOv3(u) | yolov3u.pt | Rilevamento di oggetti | ✅ | ✅ | ✅ | ✅ |
| YOLOv3-Tiny(u) | yolov3-tinyu.pt | Rilevamento di oggetti | ✅ | ✅ | ✅ | ✅ |
| YOLOv3-SPP(u) | yolov3-sppu.pt | Rilevamento 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.
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:
@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:
Esempiofrom 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:
Esempiofrom 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.