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

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 модели | Предобученные веса | Поддерживаемые задачи | Обучение | Валидация | Инференс | Экспорт |
|---|---|---|---|---|---|---|
| YOLOv3(u) | yolov3u.pt | Обнаружение объектов | ✅ | ✅ | ✅ | ✅ |
| YOLOv3-Tiny(u) | yolov3-tinyu.pt | Обнаружение объектов | ✅ | ✅ | ✅ | ✅ |
| YOLOv3-SPP(u) | yolov3-sppu.pt | Обнаружение объектов | ✅ | ✅ | ✅ | ✅ |
В таблице приведены поддерживаемые задачи и режимы для каждого варианта YOLOv3.
Примеры использования#
В этом примере показаны простые примеры обучения и инференса YOLOv3.
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:
@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:
Примерfrom 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:
Примерfrom 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.