İçeriğe geç

YOLOv3, YOLOv3-Ultralytics, ve YOLOv3u

Genel Bakış

Bu belge, YOLOv3, YOLOv3-Ultralytics ve YOLOv3u olmak üzere birbiriyle yakından ilişkili üç nesne algılama modeline genel bir bakış sunmaktadır.

  1. YOLOv3: Bu, You Only Look Once (YOLO) nesne algılama algoritmasının üçüncü sürümüdür. İlk olarak Joseph Redmon tarafından geliştirilen YOLOv3, çok ölçekli tahminler ve üç farklı boyutta algılama çekirdeği gibi özellikler sunarak öncekileri geliştirmiştir.

  2. YOLOv3-Ultralytics: Bu, YOLOv3 modelinin Ultralytics'uygulamasıdır. Orijinal YOLOv3 mimarisini yeniden üretir ve daha fazla önceden eğitilmiş model desteği ve daha kolay özelleştirme seçenekleri gibi ek işlevler sunar.

  3. YOLOv3u: Bu, YOLOv8 modellerinde kullanılan çapasız, nesnesiz bölünmüş kafayı içeren YOLOv3-Ultralytics 'un güncellenmiş bir sürümüdür. YOLOv3u, YOLOv3 ile aynı omurga ve boyun mimarisini korur ancak YOLOv8 adresindeki güncellenmiş algılama kafasına sahiptir.

Ultralytics YOLOv3

Temel Özellikler

  • YOLOv3: Üç farklı boyutta algılama çekirdeğinden yararlanarak algılama için üç farklı ölçeğin kullanımı tanıtıldı: 13x13, 26x26 ve 52x52. Bu, farklı boyutlardaki nesneler için algılama doğruluğunu önemli ölçüde artırdı. Ayrıca YOLOv3, her bir sınırlayıcı kutu için çok etiketli tahminler ve daha iyi bir özellik çıkarıcı ağ gibi özellikler ekledi.

  • YOLOv3-Ultralytics: Ultralytics' YOLOv3 uygulaması orijinal modelle aynı performansı sağlar, ancak daha fazla önceden eğitilmiş model, ek eğitim yöntemleri ve daha kolay özelleştirme seçenekleri için ek destek ile birlikte gelir. Bu, onu pratik uygulamalar için daha çok yönlü ve kullanıcı dostu hale getirir.

  • YOLOv3u: Bu güncellenmiş model, YOLOv8 adresindeki çapasız, nesnellik içermeyen bölünmüş kafayı içermektedir. Önceden tanımlanmış çapa kutularına ve nesnellik puanlarına olan ihtiyacı ortadan kaldıran bu algılama kafası tasarımı, modelin farklı boyut ve şekillerdeki nesneleri algılama yeteneğini geliştirebilir. Bu, YOLOv3u'yu nesne algılama görevleri için daha sağlam ve doğru hale getirir.

Desteklenen Görevler ve Modlar

YOLOv3, YOLOv3-Ultralytics ve YOLOv3u dahil olmak üzere YOLOv3 serisi, özellikle nesne algılama görevleri için tasarlanmıştır. Bu modeller, doğruluk ve hızı dengeleyerek çeşitli gerçek dünya senaryolarındaki etkinlikleriyle ünlüdür. Her varyant benzersiz özellikler ve optimizasyonlar sunarak onları çeşitli uygulamalar için uygun hale getirir.

Her üç model de kapsamlı bir dizi modu destekleyerek model dağıtımı ve geliştirmesinin çeşitli aşamalarında çok yönlülük sağlar. Bu modlar arasında Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma yer alır ve kullanıcılara etkili nesne tespiti için eksiksiz bir araç seti sağlar.

Model Tipi Desteklenen Görevler Çıkarım Doğrulama Eğitim İhracat
YOLOv3 Nesne Algılama ✅ ✅ ✅ ✅
YOLOv3-Ultralytics Nesne Algılama ✅ ✅ ✅ ✅
YOLOv3u Nesne Algılama ✅ ✅ ✅ ✅

Bu tablo, her bir YOLOv3 varyantının yeteneklerinin bir bakışta görünümünü sunmakta ve nesne algılama iş akışlarındaki çeşitli görevler ve operasyonel modlar için çok yönlülüklerini ve uygunluklarını vurgulamaktadır.

Kullanım Örnekleri

Bu örnek, basit YOLOv3 eğitim ve çıkarım örnekleri sağlar. Bu ve diğer modlarla ilgili tüm belgeler için Predict, Train, Val ve Export docs sayfalarına bakın.

Örnek

PyTorch ön eğitimli *.pt modellerin yanı sıra yapılandırma *.yaml dosyalar şu dosyalara aktarılabilir YOLO() sınıfında bir model örneği oluşturmak için python:

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv3n model
model = YOLO("yolov3n.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 YOLOv3n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

CLI komutları modelleri doğrudan çalıştırmak için kullanılabilir:

# Load a COCO-pretrained YOLOv3n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov3n.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv3n model and run inference on the 'bus.jpg' image
yolo predict model=yolov3n.pt source=path/to/bus.jpg

Atıflar ve Teşekkür

Araştırmanızda YOLOv3 kullanıyorsanız, lütfen orijinal YOLO makalelerine ve Ultralytics YOLOv3 deposuna atıfta bulunun:

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

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

SSS

YOLOv3, YOLOv3-Ultralytics ve YOLOv3u arasındaki farklar nelerdir?

YOLOv3, Joseph Redmon tarafından geliştirilen, doğruluk ve hız dengesiyle bilinen ve tespitler için üç farklı ölçek (13x13, 26x26 ve 52x52) kullanan YOLO (You Only Look Once) nesne tespit algoritmasının üçüncü yinelemesidir. YOLOv3-Ultralytics Ultralytics ' YOLOv3'ün daha önceden eğitilmiş modeller için destek ekleyen ve daha kolay model özelleştirmesini kolaylaştıran uyarlamasıdır. YOLOv3u, YOLOv3-Ultralytics'un yükseltilmiş bir varyantıdır ve YOLOv8 adresindeki çapasız, nesnesiz bölünmüş kafayı entegre ederek çeşitli nesne boyutları için algılama sağlamlığını ve doğruluğunu artırır. Varyantlar hakkında daha fazla ayrıntı için YOLOv3 serisine bakın.

Ultralytics kullanarak bir YOLOv3 modelini nasıl eğitebilirim?

Ultralytics ile bir YOLOv3 modelini eğitmek kolaydır. Modeli Python veya CLI adreslerini kullanarak eğitebilirsiniz:

Örnek

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv3n model
model = YOLO("yolov3n.pt")

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

# Load a COCO-pretrained YOLOv3n model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov3n.pt data=coco8.yaml epochs=100 imgsz=640

Daha kapsamlı eğitim seçenekleri ve yönergeler için Eğitim modu belgelerimizi ziyaret edin.

YOLOv3u'yu nesne algılama görevleri için daha doğru yapan nedir?

YOLOv3u, YOLOv3 ve YOLOv3-Ultralytics modellerini, YOLOv8 modellerinde kullanılan çapasız, nesnesiz bölünmüş başlığı dahil ederek geliştirmektedir. Bu yükseltme, önceden tanımlanmış çapa kutularına ve nesnellik puanlarına olan ihtiyacı ortadan kaldırarak, farklı boyut ve şekillerdeki nesneleri daha hassas bir şekilde tespit etme kapasitesini artırır. Bu, YOLOv3u'yu karmaşık ve çeşitli nesne algılama görevleri için daha iyi bir seçim haline getirir. Daha fazla bilgi için Neden YOLOv3u bölümüne bakın.

YOLOv3 modellerini çıkarım için nasıl kullanabilirim?

YOLOv3 modellerini kullanarak Python komut dosyaları veya CLI komutları ile çıkarım yapabilirsiniz:

Örnek

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv3n model
model = YOLO("yolov3n.pt")

# Run inference with the YOLOv3n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

# Load a COCO-pretrained YOLOv3n model and run inference on the 'bus.jpg' image
yolo predict model=yolov3n.pt source=path/to/bus.jpg

YOLO modellerini çalıştırma hakkında daha fazla ayrıntı için Çıkarım modu belgelerine bakın.

YOLOv3 ve varyantları tarafından hangi görevler desteklenmektedir?

YOLOv3, YOLOv3-Ultralytics ve YOLOv3u öncelikle nesne algılama görevlerini destekler. Bu modeller Çıkarım, Doğrulama, Eğitim ve Dışa Aktarma gibi çeşitli model dağıtım ve geliştirme aşamaları için kullanılabilir. Desteklenen kapsamlı görevler ve daha ayrıntılı bilgi için Nesne Algılama görevleri dokümantasyonumuzu ziyaret edin.

Araştırmamda YOLOv3'ten alıntı yapmak için kaynakları nerede bulabilirim?

Araştırmanızda YOLOv3 kullanıyorsanız, lütfen orijinal YOLO makalelerine ve Ultralytics YOLOv3 deposuna atıfta bulunun. Örnek BibTeX alıntısı:

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

Daha fazla atıf detayı için Atıflar ve Teşekkür bölümüne bakınız.

📅1 yıl önce oluşturuldu ✏️ 2 ay önce güncellendi
glenn-jocher MatthewNoyce RizwanMunawar

Yorumlar