YOLOv3 및 YOLOv3u#

개요#

이 문서에서는 서로 밀접하게 관련된 세 가지 객체 탐지 모델인 YOLOv3, YOLOv3-Ultralytics, YOLOv3u를 개괄적으로 살펴봅니다.

1. YOLOv3: YOLO(You Only Look Once) 객체 탐지 알고리즘의 세 번째 버전입니다. Joseph Redmon이 처음 개발한 YOLOv3는 멀티스케일 예측과 세 가지 크기의 탐지 커널 등의 기능을 도입하여 이전 버전보다 성능을 개선했습니다.

2. YOLOv3-Ultralytics: Ultralytics의 YOLOv3 PyTorch 구현으로, ultralytics/yolov3 저장소에서 유지 관리됩니다. 기존 앵커 기반 아키텍처를 유지하면서 사전 학습된 모델을 추가하고 사용자 지정 작업을 더 쉽게 할 수 있도록 합니다.

3. YOLOv3u: YOLOv8 모델에서 사용하는 앵커 프리, 오브젝트니스 프리 분리형 헤드를 적용한 YOLOv3-Ultralytics의 업데이트 버전입니다. YOLOv3u는 YOLOv3와 동일한 백본 및 넥 아키텍처를 유지하면서 YOLOv8의 업데이트된 탐지 헤드를 사용합니다.

주요 기능#

• YOLOv3: 탐지에 13x13, 26x26, 52x52의 세 가지 크기 탐지 커널을 활용하는 세 가지 서로 다른 스케일을 도입했습니다. 이를 통해 크기가 다양한 객체의 탐지 정확도가 크게 향상되었습니다. 또한 각 바운딩 박스에 대한 다중 레이블 예측과 더 나은 특징 추출기 네트워크 등의 기능도 추가했습니다.

• YOLOv3u: 이 업데이트 모델은 YOLOv8의 앵커 프리, 오브젝트니스 프리 분리형 헤드를 적용합니다. 사전 정의된 앵커 박스와 오브젝트니스 점수가 필요하지 않으므로, 이 탐지 헤드 설계는 크기와 형태가 다양한 객체를 탐지하는 모델의 능력을 향상시킬 수 있습니다. 따라서 YOLOv3u는 객체 탐지 작업에서 더 높은 견고성과 정확도를 제공합니다.

지원 작업 및 모드#

YOLOv3는 객체 탐지 작업을 위해 특별히 설계되었습니다. Ultralytics는 YOLOv3의 세 가지 변형인 yolov3u, yolov3-tinyu, yolov3-sppu을 지원합니다. 이름의 u는 이 모델들이 기존의 앵커 기반 아키텍처와 달리 YOLOv8의 앵커 프리 헤드를 사용한다는 의미입니다. 이 모델들은 정확도와 속도의 균형을 유지하며 다양한 실제 환경에서 효과적으로 작동하는 것으로 알려져 있습니다. 각 변형은 고유한 기능과 최적화를 제공하므로 다양한 애플리케이션에 적합합니다.

세 모델 모두 포괄적인 모드 집합을 지원하므로 모델 배포 및 개발의 다양한 단계에서 유연하게 활용할 수 있습니다. 지원 모드에는 추론, 검증, 학습, 내보내기가 포함되어 있어 효과적인 객체 탐지를 위한 완전한 툴킷을 제공합니다.

이 표에서는 각 YOLOv3 변형의 기능을 한눈에 확인할 수 있으며, 객체 탐지 워크플로의 다양한 작업과 운영 모드에 대한 활용성과 적합성을 강조합니다.

사용 예시#

이 예제에서는 YOLOv3 학습 및 추론을 간단히 살펴봅니다. 이 모드와 다른 모드에 대한 전체 문서는 예측, 학습, 검증, 내보내기 문서 페이지를 참조하세요.

from ultralytics import YOLO

# COCO로 사전 학습된 YOLOv3u 모델을 불러옵니다
model = YOLO("yolov3u.pt")

# 모델 정보 표시(선택 사항)
model.info()

# COCO8 예제 데이터셋으로 100 에포크 동안 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 'bus.jpg' 이미지에서 YOLOv3u 모델로 추론을 실행합니다
results = model("path/to/bus.jpg")

인용 및 감사의 글#

연구에 YOLOv3를 사용하는 경우, 원본 YOLO 논문과 Ultralytics YOLOv3 저장소를 인용해 주세요:

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

원본 YOLOv3를 개발한 Joseph Redmon과 Ali Farhadi에게 감사드립니다.

자주 묻는 질문#