YOLOv3 및 YOLOv3u#

개요#

이 문서는 긴밀하게 연관된 세 가지 객체 감지 모델, 즉 YOLOv3, YOLOv3-Ultralytics, 그리고 YOLOv3u에 대한 개요를 제공합니다.

1. YOLOv3: 이는 You Only Look Once(YOLO) 객체 감지 알고리즘의 세 번째 버전입니다. Joseph Redmon이 처음 개발한 YOLOv3는 다중 스케일 예측 및 세 가지 다른 크기의 감지 커널과 같은 기능을 도입하여 이전 버전을 개선했습니다.

2. YOLOv3u: 이 모델은 YOLOv8 모델에 사용된 앵커 프리(anchor-free), 객체성 프리(objectness-free) 분할 헤드를 통합한 YOLOv3-Ultralytics의 업데이트된 버전입니다. YOLOv3u는 YOLOv3와 동일한 백본 및 넥 아키텍처를 유지하면서 YOLOv8의 업데이트된 검출 헤드를 적용했습니다.

주요 특징#

• YOLOv3: 13x13, 26x26, 52x52 크기의 세 가지 검출 커널을 활용하여 세 가지 서로 다른 스케일의 검출 방식을 최초로 도입했습니다. 이를 통해 다양한 크기의 객체에 대한 검출 정확도가 크게 향상되었습니다. 또한 YOLOv3는 각 바운딩 박스에 대한 다중 라벨 예측 및 더 나은 피처 추출기 네트워크와 같은 기능을 추가했습니다.

• YOLOv3u: 이 업데이트된 모델은 YOLOv8의 앵커 프리, 객관성 프리 분할 헤드를 통합합니다. 사전 정의된 앵커 박스 및 객관성 점수에 대한 필요성을 제거함으로써, 이 감지 헤드 디자인은 다양한 크기와 모양의 객체를 감지하는 모델의 능력을 향상시킬 수 있습니다. 이를 통해 YOLOv3u는 객체 감지 작업에 대해 더 견고하고 정확해집니다.

지원되는 작업 및 모드#

YOLOv3는 객체 감지 작업용으로 특별히 설계되었습니다. Ultralytics는 yolov3u, yolov3-tinyu, yolov3-sppu의 세 가지 YOLOv3 변형을 지원합니다. 이름의 u는 앵커 기반의 원래 아키텍처와 달리 YOLOv8의 앵커 프리 헤드를 활용함을 나타냅니다. 이 모델들은 정확도와 속도의 균형을 맞추어 다양한 실제 시나리오에서 효과적인 것으로 유명합니다. 각 변형은 고유한 기능과 최적화를 제공하므로 다양한 응용 분야에 적합합니다.

세 모델 모두 포괄적인 모드 세트를 지원하여 모델 배포 및 개발의 다양한 단계에서 다용도로 활용할 수 있습니다. 이러한 모드에는 추론, 검증, 학습, 내보내기가 포함되어 있어 사용자가 효과적인 객체 감지를 위한 완전한 툴킷을 사용할 수 있습니다.

이 표는 각 YOLOv3 변형의 기능을 한눈에 볼 수 있도록 제공하며, 객체 감지 워크플로의 다양한 작업 및 운영 모드에 대한 다목적성과 적합성을 강조합니다.

사용 예제#

이 예제에서는 간단한 YOLOv3 학습 및 추론 예제를 제공합니다. 이러한 모드 및 기타 모드에 대한 전체 문서는 예측, 학습, 검증, 내보내기 문서 페이지를 참조하세요.

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv3u model
model = YOLO("yolov3u.pt")

# Display model information (optional)
model.info()

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with the YOLOv3u model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

인용 및 감사의 글#

연구에서 YOLOv3를 사용하는 경우, 원래 YOLO 논문과 Ultralytics YOLOv3 리포지토리를 인용해 주세요.

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

원래 YOLOv3를 개발해주신 Joseph Redmon과 Ali Farhadi에게 감사드립니다.

FAQ#