YOLOv3, YOLOv3-Ultralyticsvà YOLOv3u

Tổng quan

Tài liệu này trình bày tổng quan về ba mô hình phát hiện đối tượng liên quan chặt chẽ, cụ thể là YOLOv3, YOLOv3-Ultralyticsvà YOLOv3u.

1. YOLOv3: Đây là phiên bản thứ ba của You Only Look Once (YOLO) thuật toán phát hiện đối tượng. Ban đầu được phát triển bởi Joseph Redmon, YOLOv3 đã cải tiến so với những người tiền nhiệm của nó bằng cách giới thiệu các tính năng như dự đoán đa tỷ lệ và ba kích thước hạt nhân phát hiện khác nhau.

2. YOLOv3-Ultralytics: Đây là Ultralytics' thực hiện mô hình YOLOv3. Nó tái tạo kiến trúc YOLOv3 ban đầu và cung cấp các chức năng bổ sung, chẳng hạn như hỗ trợ cho các mô hình được đào tạo trước hơn và các tùy chọn tùy chỉnh dễ dàng hơn.

3. YOLOv3u: Đây là phiên bản cập nhật của YOLOv3-Ultralytics kết hợp đầu tách không neo, không có đối tượng được sử dụng trong YOLOv8 Mô hình. YOLOv3u duy trì kiến trúc xương sống và cổ giống như YOLOv3 nhưng với đầu phát hiện được cập nhật từ YOLOv8.

Các tính năng chính

• YOLOv3: Giới thiệu việc sử dụng ba thang đo khác nhau để phát hiện, tận dụng ba kích thước khác nhau của hạt nhân phát hiện: 13x13, 26x26 và 52x52. Điều này cải thiện đáng kể độ chính xác phát hiện đối với các đối tượng có kích thước khác nhau. Ngoài ra, YOLOv3 đã bổ sung các tính năng như dự đoán nhiều nhãn cho mỗi hộp giới hạn và mạng trích xuất tính năng tốt hơn.

• YOLOv3-Ultralytics: Ultralytics'Việc triển khai YOLOv3 cung cấp hiệu suất tương tự như mô hình ban đầu nhưng đi kèm với hỗ trợ bổ sung cho các mô hình được đào tạo trước hơn, phương pháp đào tạo bổ sung và các tùy chọn tùy chỉnh dễ dàng hơn. Điều này làm cho nó linh hoạt hơn và thân thiện với người dùng cho các ứng dụng thực tế.

• YOLOv3u: Mô hình cập nhật này kết hợp đầu tách không neo, không có đối tượng từ YOLOv8. Bằng cách loại bỏ sự cần thiết của các hộp neo và điểm số đối tượng được xác định trước, thiết kế đầu phát hiện này có thể cải thiện khả năng của mô hình để phát hiện các đối tượng có kích thước và hình dạng khác nhau. Điều này làm cho YOLOv3u mạnh mẽ và chính xác hơn cho các tác vụ phát hiện đối tượng.

Các tác vụ và chế độ được hỗ trợ

Dòng YOLOv3, bao gồm YOLOv3, YOLOv3-Ultralyticsvà YOLOv3u, được thiết kế đặc biệt cho các tác vụ phát hiện đối tượng. Những mô hình này nổi tiếng về hiệu quả trong các tình huống thực tế khác nhau, cân bằng giữa độ chính xác và tốc độ. Mỗi biến thể cung cấp các tính năng và tối ưu hóa độc đáo, làm cho chúng phù hợp với một loạt các ứng dụng.

Cả ba mô hình đều hỗ trợ một bộ chế độ toàn diện, đảm bảo tính linh hoạt trong nhiều giai đoạn triển khai và phát triển mô hình . Các chế độ này bao gồm Suy luận , Xác thực , Đào tạo và Xuất , cung cấp cho người dùng bộ công cụ hoàn chỉnh để phát hiện đối tượng hiệu quả.

Bảng này cung cấp cái nhìn nhanh về khả năng của từng biến thể YOLOv3, làm nổi bật tính linh hoạt và phù hợp của chúng đối với các tác vụ và chế độ hoạt động khác nhau trong quy trình phát hiện đối tượng.

Ví dụ sử dụng

Ví dụ này cung cấp các ví dụ suy luận và đào tạo YOLOv3 đơn giản. Để biết tài liệu đầy đủ về các chế độ này và các chế độ khác, hãy xem các trang tài liệu Dự đoán, Đào tạo, Val và Xuất .

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

Trích dẫn và xác nhận

Nếu bạn sử dụng YOLOv3 trong nghiên cứu của mình, vui lòng trích dẫn bản gốc YOLO giấy tờ và Ultralytics Kho lưu trữ YOLOv3:

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

Cảm ơn Joseph Redmon và Ali Farhadi đã phát triển YOLOv3 gốc.

FAQ

Sự khác biệt giữa YOLOv3, YOLOv3-Ultralytics, và YOLOv3u?

YOLOv3 là phiên bản thứ ba của YOLO (Bạn chỉ nhìn một lần) thuật toán phát hiện vật thể do Joseph Redmon phát triển, nổi tiếng với sự cân bằng giữa độ chính xác và tốc độ, sử dụng ba thang đo khác nhau (13x13, 26x26 và 52x52) để phát hiện. YOLOv3- Ultralytics là Ultralytics ' sự thích nghi của YOLOv3 bổ sung hỗ trợ cho nhiều mô hình được đào tạo trước hơn và tạo điều kiện tùy chỉnh mô hình dễ dàng hơn. YOLOv3u là một biến thể nâng cấp của YOLOv3- Ultralytics , tích hợp đầu tách không có neo, không có đối tượng từ YOLOv8 , cải thiện độ mạnh mẽ và độ chính xác của phát hiện đối với nhiều kích thước đối tượng khác nhau. Để biết thêm chi tiết về các biến thể, hãy tham khảo loạt YOLOv3 .

Làm cách nào để đào tạo mô hình YOLOv3 bằng cách sử dụng Ultralytics?

Đào tạo mô hình YOLOv3 với Ultralytics là đơn giản. Bạn có thể đào tạo mô hình bằng cách sử dụng một trong hai Python hoặc CLI:

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

Để biết các lựa chọn và hướng dẫn đào tạo toàn diện hơn, hãy truy cập tài liệu về Chế độ tàu của chúng tôi.

Điều gì làm cho YOLOv3u chính xác hơn cho các tác vụ phát hiện đối tượng?

YOLOv3u cải thiện YOLOv3 và YOLOv3-Ultralytics bằng cách kết hợp đầu tách không neo, không có đối tượng được sử dụng trong YOLOv8 Mô hình. Nâng cấp này giúp loại bỏ sự cần thiết của các hộp neo và điểm số đối tượng được xác định trước, nâng cao khả năng phát hiện các đối tượng có kích thước và hình dạng khác nhau chính xác hơn. Điều này làm cho YOLOv3u trở thành lựa chọn tốt hơn cho các tác vụ phát hiện đối tượng phức tạp và đa dạng. Để biết thêm thông tin, hãy tham khảo phần Tại sao YOLOv3u .

Làm cách nào để sử dụng các mô hình YOLOv3 để suy luận?

Bạn có thể thực hiện suy luận bằng cách sử dụng các mô hình YOLOv3 bằng một trong hai Python tập lệnh hoặc CLI Lệnh:

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

Tham khảo tài liệu về chế độ suy luận để biết thêm chi tiết về cách chạy YOLO Mô hình.

YOLOv3 và các biến thể của nó hỗ trợ những tác vụ nào?

YOLOv3, YOLOv3-Ultralyticsvà YOLOv3u chủ yếu hỗ trợ các tác vụ phát hiện đối tượng. Các mô hình này có thể được sử dụng cho các giai đoạn triển khai và phát triển mô hình khác nhau, chẳng hạn như Suy luận, Xác nhận, Đào tạo và Xuất. Để biết một tập hợp toàn diện các tác vụ được hỗ trợ và chi tiết chuyên sâu hơn, hãy truy cập tài liệu về nhiệm vụ Phát hiện đối tượng của chúng tôi.

Tôi có thể tìm tài nguyên để trích dẫn YOLOv3 trong nghiên cứu của mình ở đâu?

Nếu bạn sử dụng YOLOv3 trong nghiên cứu của mình, vui lòng trích dẫn bản gốc YOLO giấy tờ và Ultralytics Kho lưu trữ YOLOv3. Ví dụ trích dẫn BibTeX:

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

Để biết thêm chi tiết trích dẫn, hãy tham khảo phần Trích dẫn và Xác nhận .

📅 Được tạo ra cách đây 1 năm ✏️ Đã cập nhật cách đây 1 tháng

Ý kiến