Начать

YOLOv3 и YOLOv3u

Обзор#

В этом документе представлен обзор трёх тесно связанных моделей обнаружения объектов: YOLOv3, YOLOv3-Ultralytics и YOLOv3u.

  1. YOLOv3: Третья версия алгоритма обнаружения объектов You Only Look Once (YOLO). Изначально разработанная Джозефом Редмоном, YOLOv3 улучшила предыдущие версии, добавив предсказания на трёх разных масштабах.

  2. YOLOv3-Ultralytics: Реализация YOLOv3 на PyTorch от Ultralytics, поддерживаемая в репозитории ultralytics/yolov3. В ней сохранена исходная архитектура с якорями, но добавлены дополнительные предварительно обученные модели и упрощена настройка.

  3. YOLOv3u: Обновлённая версия YOLOv3-Ultralytics, в которой реализована разделённая голова без якорей и objectness, используемая в моделях YOLOv8. В YOLOv3u сохранена та же архитектура базовой сети и шейной части, что и в YOLOv3, но используется обновлённая голова детектора из YOLOv8.

Баннер модели обнаружения объектов YOLOv3

Основные особенности#

  • YOLOv3: Реализовано обнаружение объектов на трёх масштабах: выходные сетки 13×13, 26×26 и 52×52 для входных данных 416×416. Это значительно повысило точность обнаружения объектов разных размеров. Кроме того, в YOLOv3 добавлены предсказания нескольких меток для каждой ограничивающей рамки и более мощная сеть извлечения признаков Darknet-53.

  • YOLOv3u: Эта обновлённая модель использует разделённую голову YOLOv8 без якорей и objectness. Отказ от заранее заданных якорных рамок и оценок objectness в такой конструкции головы детектора может улучшить способность модели обнаруживать объекты разного размера и формы. Благодаря этому YOLOv3u надёжнее и точнее справляется с задачами обнаружения объектов.

Поддерживаемые задачи и режимы#

YOLOv3 предназначена специально для задач обнаружения объектов. Ultralytics поддерживает три варианта YOLOv3: yolov3u, yolov3-tinyu и yolov3-sppu. u в названии означает, что в этих моделях используется голова YOLOv8 без якорей, в отличие от исходной архитектуры с якорями. Варианты различаются балансом точности и скорости: YOLOv3-Tiny — самая маленькая и быстрая, а YOLOv3-SPP добавляет пространственное пирамидальное объединение в стандартную модель YOLOv3.

Все три модели поддерживают режимы обучения, валидации, инференса и экспорта, охватывая все этапы от разработки до развёртывания модели.

Тип моделиПредобученные весаПоддерживаемые задачиОбучениеВалидацияИнференсЭкспорт
YOLOv3(u)yolov3u.ptОбнаружение объектов✅✅✅✅
YOLOv3-Tiny(u)yolov3-tinyu.ptОбнаружение объектов✅✅✅✅
YOLOv3-SPP(u)yolov3-sppu.ptОбнаружение объектов✅✅✅✅

В таблице приведены поддерживаемые задачи и режимы для каждого варианта YOLOv3.

Примеры использования#

В этом примере показаны простые примеры обучения и инференса YOLOv3.

Пример

Предобученные модели *.pt на базе PyTorch, а также файлы конфигурации *.yaml можно передать классу YOLO(), чтобы создать экземпляр модели в Python:

from ultralytics import YOLO

# Загрузить предварительно обученную на COCO модель YOLOv3u
model = YOLO("yolov3u.pt")

# Показать информацию о модели (необязательно)
model.info()

# Обучить модель на демонстрационном наборе данных COCO8 в течение 100 эпох
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Запустить инференс с моделью YOLOv3u на изображении 'bus.jpg'
results = model("path/to/bus.jpg")

Цитирование и благодарности#

Если ты используешь YOLOv3 в своих исследованиях, укажи в цитировании оригинальные статьи о YOLO и репозиторий Ultralytics YOLOv3:

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

Спасибо Джозефу Редмону и Али Фархади за разработку оригинальной YOLOv3.

Часто задаваемые вопросы#

  • YOLOv3 — третья версия алгоритма обнаружения объектов YOLO (You Only Look Once), разработанного Джозефом Редмоном. Она известна балансом точности и скорости и выполняет предсказания на трёх масштабах (сетки 13x13, 26x26 и 52x52 для входного изображения 416x416). YOLOv3-Ultralytics — адаптация YOLOv3 от Ultralytics, которая поддерживает больше предобученных моделей и упрощает настройку моделей. YOLOv3u — улучшенный вариант YOLOv3-Ultralytics с разделённой головой без анкеров и objectness из YOLOv8, повышающий надёжность и точность обнаружения объектов разных размеров.

  • Обучить модель YOLOv3u можно с помощью Python или CLI:

    Пример
    from ultralytics import YOLO
    
    # Загрузить предварительно обученную на COCO модель YOLOv3u
    model = YOLO("yolov3u.pt")
    
    # Обучить модель на демонстрационном наборе данных COCO8 в течение 100 эпох
    results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

    Больше вариантов и рекомендаций по обучению см. в документации по режиму Train.

  • YOLOv3u улучшает YOLOv3 и YOLOv3-Ultralytics за счёт безъякорной, не учитывающей objectness раздельной головы, используемой в моделях YOLOv8. Это обновление устраняет необходимость в заранее заданных якорных прямоугольниках и оценках objectness, повышая способность модели точнее обнаруживать объекты разного размера и формы. Поэтому YOLOv3u лучше подходит для сложных и разнообразных задач обнаружения объектов. Подробнее см. в разделе «Ключевые особенности».

  • Запустить инференс с моделями YOLOv3 можно с помощью Python или CLI:

    Пример
    from ultralytics import YOLO
    
    # Загрузить предварительно обученную на COCO модель YOLOv3u
    model = YOLO("yolov3u.pt")
    
    # Запустить инференс с моделью YOLOv3u на изображении 'bus.jpg'
    results = model("path/to/bus.jpg")

    Подробнее о запуске моделей YOLO см. в документации по режиму Inference.

  • YOLOv3, YOLOv3-Tiny и YOLOv3-SPP предназначены главным образом для задач обнаружения объектов. Эти модели поддерживают режимы обучения, валидации, инференса и экспорта.

  • Если ты используешь YOLOv3 в своих исследованиях, укажи в цитировании оригинальные статьи о YOLO и репозиторий Ultralytics YOLOv3. Пример цитирования в формате BibTeX:

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

    Подробнее о цитировании см. в разделе «Цитирование и благодарности».

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.