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.

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.

Bu tablo, her bir YOLOv3 varyantının yeteneklerinin bir bakışta görünümünü sunarak, 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.

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')

# 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.

Yorumlar