YOLOv3 및 YOLOv3u
개요#
이 문서에서는 서로 밀접하게 관련된 세 가지 객체 탐지 모델인 YOLOv3, YOLOv3-Ultralytics, YOLOv3u를 개괄적으로 살펴봅니다.
-
YOLOv3: You Only Look Once(YOLO) 객체 감지 알고리즘의 세 번째 버전입니다. Joseph Redmon이 처음 개발한 YOLOv3는 세 가지 서로 다른 스케일에서 예측을 수행해 이전 버전보다 개선되었습니다.
-
YOLOv3-Ultralytics: ultralytics/yolov3 저장소에서 유지 관리되는 YOLOv3의 Ultralytics PyTorch 구현입니다. 기존 앵커 기반 아키텍처를 유지하면서 더 많은 사전 학습 모델과 간편한 사용자 지정 기능을 추가합니다.
-
YOLOv3u: YOLOv8 모델에 사용된 앵커 프리 및 오브젝트니스 프리 분리 헤드를 통합한 YOLOv3-Ultralytics 업데이트 버전입니다. YOLOv3u는 YOLOv3와 동일한 백본 및 넥 아키텍처를 유지하면서 YOLOv8의 업데이트된 감지 헤드를 사용합니다.

주요 기능#
-
YOLOv3: 416x416 입력에 대해 13x13, 26x26, 52x52 출력 그리드를 사용하는 세 가지 스케일의 감지를 도입했습니다. 이를 통해 크기가 다른 객체의 감지 정확도가 크게 향상되었습니다. 또한 YOLOv3는 각 바운딩 박스에 다중 레이블 예측을 추가하고 더 강력한 특징 추출 네트워크인 Darknet-53을 도입했습니다.
-
YOLOv3u: 이 업데이트 모델은 YOLOv8의 앵커 프리 및 오브젝트니스 프리 분리 헤드를 통합합니다. 사전 정의된 앵커 박스와 오브젝트니스 점수가 필요 없는 이 감지 헤드 설계는 크기와 모양이 다양한 객체를 감지하는 모델의 능력을 개선할 수 있습니다. 따라서 YOLOv3u는 객체 감지 작업에서 더 견고하고 정확합니다.
지원 작업 및 모드#
YOLOv3는 객체 감지 작업 전용으로 설계되었습니다. Ultralytics는 YOLOv3의 세 가지 변형인 yolov3u, yolov3-tinyu, yolov3-sppu을 지원합니다. 이름의 u는 원래 아키텍처가 앵커 기반인 것과 달리 YOLOv8의 앵커 프리 헤드를 사용한다는 의미입니다. 각 변형은 정확도와 속도 간의 균형이 다릅니다. YOLOv3-Tiny는 가장 작고 빠르며, YOLOv3-SPP는 표준 YOLOv3 모델에 공간 피라미드 풀링을 추가합니다.
세 모델 모두 학습, 검증, 추론, 내보내기 모드를 지원하여 개발부터 모델 배포까지 모든 단계를 아우릅니다.
| 모델 유형 | 사전 학습 가중치 | 지원 작업 | 학습 | 검증 | 추론 | 내보내기 |
|---|---|---|---|---|---|---|
| YOLOv3(u) | yolov3u.pt | 객체 탐지 | ✅ | ✅ | ✅ | ✅ |
| YOLOv3-Tiny(u) | yolov3-tinyu.pt | 객체 탐지 | ✅ | ✅ | ✅ | ✅ |
| YOLOv3-SPP(u) | yolov3-sppu.pt | 객체 탐지 | ✅ | ✅ | ✅ | ✅ |
이 표는 각 YOLOv3 변형에서 지원하는 작업과 모드를 요약합니다.
사용 예시#
이 예제에서는 간단한 YOLOv3 학습 및 추론 예제를 제공합니다.
PyTorch 사전 학습된 *.pt 모델과 구성 *.yaml 파일을 YOLO() 클래스에 전달하여 Python에서 모델 인스턴스를 생성할 수 있습니다:
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#
YOLOv3은 Joseph Redmon이 개발한 YOLO(You Only Look Once) 객체 탐지 알고리즘의 세 번째 버전입니다. 정확도와 속도의 균형이 뛰어나며, 세 가지 서로 다른 스케일(416x416 입력 기준 13x13, 26x26, 52x52 그리드)에서 예측합니다. YOLOv3-Ultralytics는 더 많은 사전 학습 모델을 지원하고 모델을 쉽게 사용자 지정할 수 있도록 한 Ultralytics의 YOLOv3 개량 버전입니다. YOLOv3u는 YOLOv8의 앵커 없는 객체성 없는 분리형 헤드를 통합한 YOLOv3-Ultralytics의 개선 버전으로, 다양한 객체 크기에서 탐지의 견고성과 정확도를 높입니다.
Python 또는 CLI를 사용해 YOLOv3u 모델을 학습할 수 있습니다:
예제from ultralytics import YOLO # COCO로 사전 학습된 YOLOv3u 모델을 불러옵니다 model = YOLO("yolov3u.pt") # COCO8 예제 데이터셋으로 100 에포크 동안 모델 학습 results = model.train(data="coco8.yaml", epochs=100, imgsz=640)더 다양한 학습 옵션과 지침은 학습 모드 문서를 참조하세요.
YOLOv3u는 YOLOv8 모델에서 사용하는 앵커 프리, 오브젝트니스 프리 분리형 헤드를 적용하여 YOLOv3와 YOLOv3-Ultralytics를 개선했습니다. 이 업그레이드는 사전 정의된 앵커 박스와 오브젝트니스 점수가 필요하지 않으므로 크기와 형태가 다양한 객체를 더 정밀하게 탐지하는 능력을 향상시킵니다. 따라서 YOLOv3u는 복잡하고 다양한 객체 탐지 작업에 더 적합합니다. 자세한 내용은 주요 기능 섹션을 참조하세요.
Python 또는 CLI에서 YOLOv3 모델을 사용해 추론을 실행할 수 있습니다:
예제from ultralytics import YOLO # COCO로 사전 학습된 YOLOv3u 모델을 불러옵니다 model = YOLO("yolov3u.pt") # 'bus.jpg' 이미지에서 YOLOv3u 모델로 추론을 실행합니다 results = model("path/to/bus.jpg")YOLO 모델 실행에 관한 자세한 내용은 추론 모드 문서를 참조하세요.
YOLOv3, YOLOv3-Tiny, YOLOv3-SPP는 주로 객체 탐지 작업을 지원합니다. 이러한 모델은 학습, 검증, 추론, 내보내기 모드를 지원합니다.
연구에 YOLOv3를 사용하는 경우, 원본 YOLO 논문과 Ultralytics YOLOv3 저장소를 인용해 주세요. BibTeX 인용 예시:
인용@article{redmon2018yolov3, title={YOLOv3: An Incremental Improvement}, author={Redmon, Joseph and Farhadi, Ali}, journal={arXiv preprint arXiv:1804.02767}, year={2018} }인용에 관한 자세한 내용은 인용 및 감사의 말 섹션을 참조하세요.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.