YOLOv3とYOLOv3u
概要#
このドキュメントでは、密接に関連する3つの物体検出モデル、YOLOv3、YOLOv3-Ultralytics、YOLOv3uの概要を紹介します。
-
YOLOv3: You Only Look Once(YOLO)物体検出アルゴリズムの第3バージョンです。Joseph Redmonが最初に開発し、3つの異なるスケールで予測を行う機能を導入して、先行モデルを改良しました。
-
YOLOv3-Ultralytics: UltralyticsによるYOLOv3のPyTorch実装で、ultralytics/yolov3リポジトリでメンテナンスされています。元のアンカーベースアーキテクチャを維持しながら、事前学習済みモデルの追加と、より簡単なカスタマイズを実現しています。
-
YOLOv3u: YOLOv3-Ultralyticsを更新したバージョンで、YOLOv8モデルで使用されているアンカーフリーかつobjectnessフリーの分離ヘッドを取り入れています。YOLOv3uはYOLOv3と同じバックボーンおよびネックのアーキテクチャを維持しながら、YOLOv8の更新された検出ヘッドを採用しています。

主な機能#
-
YOLOv3: 416x416の入力に対して13x13、26x26、52x52の出力グリッドを用い、3つの異なるスケールでの検出を導入しました。これにより、さまざまなサイズの物体に対する検出精度が大幅に向上しました。さらに、各バウンディングボックスに対する複数ラベルの予測と、より強力な特徴抽出ネットワークであるDarknet-53を追加しました。
-
YOLOv3u: この更新モデルは、YOLOv8のアンカーフリーかつobjectnessフリーの分離ヘッドを採用しています。事前定義されたアンカーボックスとobjectnessスコアが不要になるため、この検出ヘッドの設計によって、さまざまなサイズや形状の物体を検出するモデルの能力が向上します。その結果、YOLOv3uは物体検出タスクにおいて、よりロバストで高精度になります。
サポート対象のタスクとモード#
YOLOv3は物体検出タスク専用に設計されています。UltralyticsはYOLOv3の3つのバリアント、yolov3u、yolov3-tinyu、yolov3-sppuをサポートしています。名称にあるuは、元のアンカーベースのアーキテクチャとは異なり、これらがYOLOv8のアンカーフリーヘッドを使用していることを示します。各バリアントは精度と速度のトレードオフが異なります。YOLOv3-Tinyは最小かつ最速で、YOLOv3-SPPは標準のYOLOv3モデルに空間ピラミッドプーリングを追加しています。
3つすべてのモデルが、学習、検証、推論、エクスポートの各モードに対応しており、開発からモデルのデプロイまでのすべての段階をカバーしています。
| モデルタイプ | 事前学習済み重み | サポートされるタスク | トレーニング | 検証 | 推論 | エクスポート |
|---|---|---|---|---|---|---|
| YOLOv3(u) | yolov3u.pt | 物体検出 | ✅ | ✅ | ✅ | ✅ |
| YOLOv3-Tiny(u) | yolov3-tinyu.pt | 物体検出 | ✅ | ✅ | ✅ | ✅ |
| YOLOv3-SPP(u) | yolov3-sppu.pt | 物体検出 | ✅ | ✅ | ✅ | ✅ |
この表では、YOLOv3の各バリアントで対応しているタスクとモードをまとめています。
使用例#
この例では、YOLOv3のシンプルな学習と推論の例を紹介します。
PyTorchの事前学習済み*.ptモデルと構成*.yamlファイルをYOLO()クラスに渡すことで、Pythonでモデルインスタンスを作成できます。
from ultralytics import YOLO
# COCOで事前学習済みのYOLOv3uモデルを読み込みます
model = YOLO("yolov3u.pt")
# モデル情報を表示(任意)
model.info()
# COCO8サンプルデータセットでモデルを100エポック学習する
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 「bus.jpg」画像に対してYOLOv3uモデルで推論を実行します
results = model("path/to/bus.jpg")引用と謝辞#
研究でYOLOv3を使用する場合は、オリジナルのYOLO論文とUltralytics YOLOv3リポジトリを引用してください。
@article{redmon2018yolov3,
title={YOLOv3: An Incremental Improvement},
author={Redmon, Joseph and Farhadi, Ali},
journal={arXiv preprint arXiv:1804.02767},
year={2018}
}オリジナルのYOLOv3を開発したJoseph Redmon氏とAli Farhadi氏に感謝します。
よくある質問#
YOLOv3は、Joseph Redmonが開発したYOLO(You Only Look Once)物体検出アルゴリズムの第3世代です。精度と速度のバランスに優れており、416x416の入力に対して3つの異なるスケール(13x13、26x26、52x52のグリッド)で予測します。YOLOv3-Ultralyticsは、UltralyticsによるYOLOv3の実装で、より多くの事前学習済みモデルをサポートし、モデルのカスタマイズを容易にします。YOLOv3uはYOLOv3-Ultralyticsの改良版であり、YOLOv8のアンカーフリーかつオブジェクトネスフリーの分割型ヘッドを統合して、さまざまなサイズの物体に対する検出の堅牢性と精度を高めています。
YOLOv3uモデルは、PythonまたはCLIを使って学習できます。
例from ultralytics import YOLO # COCOで事前学習済みのYOLOv3uモデルを読み込みます model = YOLO("yolov3u.pt") # COCO8サンプルデータセットでモデルを100エポック学習する results = model.train(data="coco8.yaml", epochs=100, imgsz=640)より包括的なトレーニングオプションとガイドラインについては、Trainモードのドキュメントをご覧ください。
YOLOv3uは、YOLOv8モデルで使用されているアンカーフリーかつオブジェクトネスフリーの分割ヘッドを取り入れることで、YOLOv3とYOLOv3-Ultralyticsを改良しています。このアップグレードにより、事前定義されたアンカーボックスとオブジェクトネススコアが不要になり、さまざまなサイズや形状の物体をより正確に検出できるようになります。そのため、YOLOv3uは複雑で多様な物体検出タスクに適しています。詳細については、主な機能のセクションをご覧ください。
YOLOv3モデルの推論は、PythonまたはCLIから実行できます。
例from ultralytics import YOLO # COCOで事前学習済みのYOLOv3uモデルを読み込みます model = YOLO("yolov3u.pt") # 「bus.jpg」画像に対してYOLOv3uモデルで推論を実行します results = model("path/to/bus.jpg")YOLOモデルの実行方法について詳しくは、推論モードのドキュメントをご覧ください。
YOLOv3、YOLOv3-Tiny、YOLOv3-SPPは、主に物体検出タスクに対応しています。これらのモデルは、トレーニング、検証、推論、エクスポートの各モードに対応しています。
研究でYOLOv3を使用する場合は、オリジナルのYOLO論文とUltralytics YOLOv3リポジトリを引用してください。BibTeXによる引用例:
引用@article{redmon2018yolov3, title={YOLOv3: An Incremental Improvement}, author={Redmon, Joseph and Farhadi, Ali}, journal={arXiv preprint arXiv:1804.02767}, year={2018} }引用の詳細については、引用と謝辞のセクションをご覧ください。
コメント
質問したり、結果を共有したり、ほかの人をサポートしたりできます。