Başla

YOLOv3 ve YOLOv3u

Genel Bakış#

Bu belge, birbiriyle yakından ilişkili üç nesne algılama modeline genel bir bakış sunar: YOLOv3, YOLOv3-Ultralytics ve YOLOv3u.

  1. YOLOv3: You Only Look Once (YOLO) nesne tespiti algoritmasının üçüncü sürümüdür. İlk olarak Joseph Redmon tarafından geliştirilen YOLOv3, üç farklı ölçekte tahminler sunarak önceki sürümlerini geliştirmiştir.

  2. YOLOv3-Ultralytics: Ultralytics'in PyTorch ile geliştirdiği ve ultralytics/yolov3 deposunda sürdürülen YOLOv3 uygulamasıdır. Daha fazla önceden eğitilmiş model ve daha kolay özelleştirme olanağı sunarken özgün anchor tabanlı mimariyi korur.

  3. YOLOv3u: YOLOv3-Ultralytics'in güncellenmiş sürümüdür ve YOLOv8 modellerinde kullanılan anchor içermeyen, nesne varlığı tahmini içermeyen ayrık başlığı içerir. YOLOv3u, YOLOv3 ile aynı omurga ve boyun mimarisini korurken YOLOv8'in güncellenmiş tespit başlığını kullanır.

YOLOv3 nesne algılama modeli banner'ı

Temel Özellikler#

  • YOLOv3: 416x416 boyutunda girdi için 13x13, 26x26 ve 52x52 çıkış ızgaralarıyla üç farklı ölçekte tespit yapmayı sundu. Bu yenilik, farklı boyutlardaki nesneler için tespit doğruluğunu önemli ölçüde iyileştirdi. Ayrıca YOLOv3, her sınırlayıcı kutu için çok etiketli tahminler ve daha güçlü bir özellik çıkarıcı ağ olan Darknet-53'ü ekledi.

  • YOLOv3u: Bu güncellenmiş model, YOLOv8'in anchor içermeyen ve nesne varlığı tahmini içermeyen ayrık başlığını kullanır. Önceden tanımlanmış anchor kutularına ve nesne varlığı puanlarına duyulan ihtiyacı ortadan kaldıran bu tespit başlığı tasarımı, modelin farklı boyut ve şekillerdeki nesneleri tespit etme becerisini artırabilir. Bu sayede YOLOv3u, nesne tespiti görevlerinde daha sağlam ve doğru sonuçlar verir.

Desteklenen Görevler ve Modlar#

YOLOv3, özellikle nesne tespiti görevleri için tasarlanmıştır. Ultralytics, YOLOv3'ün üç varyantını destekler: yolov3u, yolov3-tinyu ve yolov3-sppu. Adlarındaki u, özgün mimarileri anchor tabanlıyken bu varyantların YOLOv8'in anchor içermeyen başlığını kullandığını belirtir. Varyantlar doğruluk ve hız arasında farklı dengeler sunar: YOLOv3-Tiny en küçük ve en hızlı modeldir; YOLOv3-SPP ise standart YOLOv3 modeline uzamsal piramit havuzlaması ekler.

Üç model de Eğitim, Doğrulama, Çıkarım ve Dışa Aktarma modlarını destekleyerek geliştirmeden model dağıtımına kadar her aşamayı kapsar.

Model TürüÖnceden Eğitilmiş AğırlıklarDesteklenen GörevlerEğitimDoğrulamaÇıkarımDışa aktar
YOLOv3(u)yolov3u.ptNesne Algılama✅✅✅✅
YOLOv3-Tiny(u)yolov3-tinyu.ptNesne Algılama✅✅✅✅
YOLOv3-SPP(u)yolov3-sppu.ptNesne Algılama✅✅✅✅

Bu tablo, her YOLOv3 varyantı için desteklenen görevleri ve modları özetler.

Kullanım Örnekleri#

Bu örnek, YOLOv3 için basit eğitim ve çıkarım örnekleri sunar.

Örnek

PyTorch önceden eğitilmiş *.pt modelleri ve yapılandırma *.yaml dosyaları, Python'da bir model örneği oluşturmak için YOLO() sınıfına aktarılabilir:

from ultralytics import YOLO

# COCO üzerinde önceden eğitilmiş bir YOLOv3u modelini yükle
model = YOLO("yolov3u.pt")

# Model bilgilerini görüntüle (isteğe bağlı)
model.info()

# Modeli COCO8 örnek veri kümesinde 100 dönem boyunca eğit
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 'bus.jpg' görüntüsünde YOLOv3u modeliyle çıkarım yap
results = model("path/to/bus.jpg")

Atıflar ve Teşekkürler#

Araştırmanda YOLOv3 kullanıyorsan lütfen özgün YOLO makalelerine ve Ultralytics YOLOv3 deposuna atıfta bulun:

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

Özgün YOLOv3'ü geliştirdikleri için Joseph Redmon ve Ali Farhadi'ye teşekkür ederiz.

Sık Sorulan Sorular#

  • YOLOv3, doğruluk ve hız dengesiyle tanınan ve Joseph Redmon tarafından geliştirilen YOLO (You Only Look Once) nesne algılama algoritmasının üçüncü sürümüdür; 416x416 boyutundaki bir girdi için üç farklı ölçekte (13x13, 26x26 ve 52x52 ızgaralar) tahmin yapar. YOLOv3-Ultralytics, Ultralytics'in YOLOv3 uyarlamasıdır; daha fazla önceden eğitilmiş model için destek ekler ve model özelleştirmeyi kolaylaştırır. YOLOv3u, YOLOv3-Ultralytics'in yükseltilmiş bir çeşididir; YOLOv8'deki çapalar ve nesne olasılığı kullanmayan ayrık başlığı içererek farklı nesne boyutları için algılama sağlamlığını ve doğruluğunu artırır.

  • YOLOv3u modelini Python veya CLI ile eğitebilirsin:

    Örnek
    from ultralytics import YOLO
    
    # COCO üzerinde önceden eğitilmiş bir YOLOv3u modelini yükle
    model = YOLO("yolov3u.pt")
    
    # Modeli COCO8 örnek veri kümesinde 100 dönem boyunca eğit
    results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

    Daha kapsamlı eğitim seçenekleri ve yönergeler için Eğitim modu belgelerini ziyaret et.

  • YOLOv3u, YOLOv8 modellerinde kullanılan çapadan bağımsız, nesne olasılığı içermeyen ayrık başlığı bünyesine katarak YOLOv3 ve YOLOv3-Ultralytics modellerini geliştirir. Bu yükseltme, önceden tanımlanmış çapa kutularına ve nesne olasılığı puanlarına duyulan ihtiyacı ortadan kaldırarak farklı boyut ve şekillerdeki nesneleri daha hassas algılama becerisini artırır. Böylece YOLOv3u, karmaşık ve çeşitli nesne algılama görevleri için daha iyi bir seçenek hâline gelir. Daha fazla bilgi için Temel Özellikler bölümüne bak.

  • YOLOv3 modelleriyle Python veya CLI üzerinden çıkarım yapabilirsin:

    Örnek
    from ultralytics import YOLO
    
    # COCO üzerinde önceden eğitilmiş bir YOLOv3u modelini yükle
    model = YOLO("yolov3u.pt")
    
    # 'bus.jpg' görüntüsünde YOLOv3u modeliyle çıkarım yap
    results = model("path/to/bus.jpg")

    YOLO modellerini çalıştırma hakkında daha fazla bilgi için Çıkarım modu belgelerine bak.

  • YOLOv3, YOLOv3-Tiny ve YOLOv3-SPP öncelikle nesne algılama görevlerini destekler. Bu modeller Eğitim, Doğrulama, Çıkarım ve Dışa Aktarma modlarını destekler.

  • Araştırmanda YOLOv3 kullanıyorsan lütfen özgün YOLO makalelerine ve Ultralytics YOLOv3 deposuna atıfta bulun. BibTeX atıf örneği:

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

    Atıf ayrıntıları için Atıflar ve Teşekkürler bölümüne bak.

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.