YOLOv3 và YOLOv3u#

Tổng quan#

Tài liệu này giới thiệu tổng quan về ba model phát hiện đối tượng có liên quan chặt chẽ với nhau, cụ thể là YOLOv3, YOLOv3-Ultralytics và YOLOv3u.

1. YOLOv3: Đây là phiên bản thứ ba của thuật toán phát hiện đối tượng You Only Look Once (YOLO). Được Joseph Redmon phát triển ban đầu, YOLOv3 cải tiến các phiên bản tiền nhiệm bằng cách bổ sung những tính năng như dự đoán đa tỷ lệ và ba kích thước kernel phát hiện khác nhau.

2. YOLOv3-Ultralytics: Đây là bản triển khai YOLOv3 bằng PyTorch của Ultralytics, được duy trì trong repository ultralytics/yolov3. Bản này giữ nguyên kiến trúc dựa trên anchor ban đầu, đồng thời bổ sung nhiều model pretrained hơn và giúp tùy chỉnh dễ dàng hơn.

3. YOLOv3u: Đây là phiên bản cập nhật của YOLOv3-Ultralytics, tích hợp head phân tách không dùng anchor và không dùng objectness được sử dụng trong các model YOLOv8. YOLOv3u duy trì cùng kiến trúc backbone và neck như YOLOv3, nhưng sử dụng detection head cập nhật từ YOLOv8.

Tính năng chính#

• YOLOv3: Giới thiệu việc sử dụng ba tỷ lệ khác nhau để phát hiện, tận dụng ba kích thước kernel phát hiện: 13x13, 26x26 và 52x52. Điều này cải thiện đáng kể độ chính xác phát hiện đối tượng ở nhiều kích thước khác nhau. Ngoài ra, YOLOv3 bổ sung các tính năng như dự đoán đa nhãn cho mỗi bounding box và mạng trích xuất đặc trưng tốt hơn.

• YOLOv3u: Model cập nhật này tích hợp head phân tách không dùng anchor và không dùng objectness từ YOLOv8. Bằng cách loại bỏ nhu cầu sử dụng anchor box được xác định trước và điểm objectness, thiết kế detection head này có thể cải thiện khả năng phát hiện đối tượng với nhiều kích thước và hình dạng khác nhau. Nhờ đó, YOLOv3u mạnh mẽ và chính xác hơn trong các tác vụ phát hiện đối tượng.

Các tác vụ và chế độ được hỗ trợ#

YOLOv3 được thiết kế chuyên biệt cho các tác vụ phát hiện đối tượng. Ultralytics hỗ trợ ba biến thể YOLOv3: yolov3u, yolov3-tinyu và yolov3-sppu. Ký hiệu u trong tên cho biết các model này sử dụng head không dùng anchor của YOLOv8, khác với kiến trúc ban đầu dựa trên anchor. Các model này nổi tiếng nhờ tính hiệu quả trong nhiều tình huống thực tế, cân bằng giữa độ chính xác và tốc độ. Mỗi biến thể có các tính năng và tối ưu hóa riêng, phù hợp với nhiều ứng dụng.

Cả ba model đều hỗ trợ đầy đủ các chế độ, đảm bảo tính linh hoạt trong nhiều giai đoạn triển khai model và phát triển. Các chế độ này gồm Suy luận, Đánh giá, Huấn luyện 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 tổng quan nhanh về khả năng của từng biến thể YOLOv3, làm nổi bật tính linh hoạt và mức độ phù hợp của chúng với nhiều tác vụ và chế độ vận hành trong quy trình phát hiện đối tượng.

Ví dụ sử dụng#

Ví dụ này minh họa cách huấn luyện và suy luận YOLOv3 đơn giản. Để xem tài liệu đầy đủ về các chế độ này và những chế độ khác, hãy tham khảo các trang tài liệu chế độ, Dự đoán, Huấn luyện, Đánh giá và Xuất.

from ultralytics import YOLO

# Tải model YOLOv3u pretrained trên COCO
model = YOLO("yolov3u.pt")

# Hiển thị thông tin model (không bắt buộc)
model.info()

# Huấn luyện model trên dataset mẫu COCO8 trong 100 epoch
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Chạy suy luận bằng model YOLOv3u trên ảnh 'bus.jpg'
results = model("path/to/bus.jpg")

Trích dẫn và lời cảm ơn#

Nếu sử dụng YOLOv3 trong nghiên cứu, vui lòng trích dẫn các bài báo YOLO gốc và repository YOLOv3 của Ultralytics:

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

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

Câu hỏi thường gặp#