Bắt đầu

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 đưa ra dự đoán ở ba tỷ lệ 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, đồng thời bổ sung nhiều model được huấn luyện trước hơn và giúp tùy chỉnh dễ dàng hơn.

  3. YOLOv3u: Đây là phiên bản cập nhật của YOLOv3-Ultralytics, tích hợp head tách không anchor, không objectness được sử dụng trong các model YOLOv8. YOLOv3u giữ nguyên kiến trúc backbone và neck của YOLOv3 nhưng sử dụng head phát hiện được cập nhật từ YOLOv8.

Biểu ngữ model phát hiện đối tượng YOLOv3

Tính năng chính#

  • YOLOv3: Giới thiệu khả năng phát hiện ở ba tỷ lệ khác nhau, với lưới đầu ra 13x13, 26x26 và 52x52 cho đầu vào 416x416. Điều này cải thiện đáng kể độ chính xác phát hiện đối tượng với nhiều kích thước khác nhau. Ngoài ra, YOLOv3 bổ sung dự đoán nhiều nhãn cho mỗi bounding box và mạng trích xuất đặc trưng mạnh hơn, Darknet-53.

  • YOLOv3u: Model cập nhật này tích hợp head tách không anchor, không objectness từ YOLOv8. Bằng cách loại bỏ yêu cầu về anchor box được xác định trước và điểm objectness, thiết kế head phát hiện này có thể cải thiện khả năng phát hiện đối tượng với kích thước và hình dạng khác nhau của model. Nhờ đó, YOLOv3u bền vững 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. u trong tên cho biết các model này sử dụng head không anchor của YOLOv8, khác với kiến trúc gốc dựa trên anchor. Các biến thể đánh đổi giữa độ chính xác và tốc độ: YOLOv3-Tiny là model nhỏ nhất và nhanh nhất, còn YOLOv3-SPP bổ sung pooling kim tự tháp không gian vào model YOLOv3 tiêu chuẩn.

Cả ba model đều hỗ trợ các chế độ Huấn luyện, Xác thực, Suy luận và Xuất, bao quát mọi giai đoạn từ phát triển đến triển khai model.

Loại modelWeights pretrainedCác tác vụ được hỗ trợHuấn luyệnValidationSuy luậnExport
YOLOv3(u)yolov3u.ptPhát hiện đối tượng✅✅✅✅
YOLOv3-Tiny(u)yolov3-tinyu.ptPhát hiện đối tượng✅✅✅✅
YOLOv3-SPP(u)yolov3-sppu.ptPhát hiện đối tượng✅✅✅✅

Bảng này tóm tắt các tác vụ và chế độ được hỗ trợ cho từng biến thể YOLOv3.

Ví dụ sử dụng#

Ví dụ này cung cấp các ví dụ đơn giản về huấn luyện và suy luận YOLOv3.

Ví dụ

Có thể truyền các model *.pt pretrained PyTorch cũng như các file cấu hình *.yaml vào class YOLO() để tạo một instance model trong Python:

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:

Trích dẫn
@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#

  • YOLOv3 là phiên bản thứ ba của thuật toán phát hiện đối tượng YOLO (You Only Look Once) do Joseph Redmon phát triển, nổi tiếng với sự cân bằng giữa độ chính xác và tốc độ; model dự đoán ở ba tỷ lệ khác nhau (lưới 13x13, 26x26 và 52x52 với đầu vào 416x416). YOLOv3-Ultralytics là bản điều chỉnh YOLOv3 của Ultralytics, bổ sung hỗ trợ cho nhiều model được huấn luyện trước hơn và giúp tùy chỉnh model dễ dàng hơn. YOLOv3u là biến thể nâng cấp của YOLOv3-Ultralytics, tích hợp head tách nhánh không anchor và không objectness từ YOLOv8, cải thiện độ vững chắc và độ chính xác khi phát hiện các đối tượng có kích thước khác nhau.

  • Bạn có thể huấn luyện model YOLOv3u bằng Python hoặc CLI:

    Ví dụ
    from ultralytics import YOLO
    
    # Tải model YOLOv3u pretrained trên COCO
    model = YOLO("yolov3u.pt")
    
    # Huấn luyện model trên dataset mẫu COCO8 trong 100 epoch
    results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

    Để biết thêm các tùy chọn và hướng dẫn huấn luyện toàn diện, hãy truy cập tài liệu chế độ Train.

  • YOLOv3u cải tiến YOLOv3 và YOLOv3-Ultralytics bằng cách tích hợp head phân tách không dùng anchor và không dùng objectness được sử dụng trong các model YOLOv8. Nâng cấp này loại bỏ nhu cầu sử dụng anchor box được xác định trước và điểm objectness, tăng cường khả năng phát hiện chính xác hơn các đối tượng có nhiều kích thước và hình dạng khác nhau. Nhờ đó, YOLOv3u là 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 mục Tính năng chính.

  • Bạn có thể chạy suy luận với các model YOLOv3 bằng Python hoặc CLI:

    Ví dụ
    from ultralytics import YOLO
    
    # Tải model YOLOv3u pretrained trên COCO
    model = YOLO("yolov3u.pt")
    
    # Chạy suy luận bằng model YOLOv3u trên ảnh 'bus.jpg'
    results = model("path/to/bus.jpg")

    Tham khảo tài liệu chế độ Inference để biết thêm chi tiết về cách chạy các model YOLO.

  • YOLOv3, YOLOv3-Tiny và YOLOv3-SPP chủ yếu hỗ trợ các tác vụ phát hiện đối tượng. Các model này hỗ trợ các chế độ Huấn luyện, Validation, Suy luận và Export.

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

    Trích dẫn
    @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 về trích dẫn, hãy tham khảo mục Trích dẫn và Lời cảm ơn.

Bình luận

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.