YOLOv3, YOLOv3- Ultralytics và YOLOv3u

Tổng quan

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

1. YOLOv3: Đây là phiên bản thứ ba của You Only Look Once ( Bạn chỉ nhìn một lần) YOLO ) thuật toán phát hiện đối tượng. Được phát triển ban đầu bởi Joseph Redmon, YOLOv3 đã cải tiến các phiên bản trước bằng cách giới thiệu các tính năng như dự đoán đa thang đo và ba kích thước khác nhau của hạt nhân phát hiện.

2. YOLOv3- Ultralytics : Đây là Ultralytics 'triển khai mô hình YOLOv3. Nó tái tạo kiến trúc YOLOv3 gốc và cung cấp các chức năng bổ sung, chẳng hạn như hỗ trợ nhiều 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 có neo, không có vật thể được sử dụng trong YOLOv8 mô hình. YOLOv3u duy trì cùng một kiến trúc xương sống và cổ 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 gốc nhưng đi kèm với hỗ trợ bổ sung cho nhiều mô hình được đào tạo trước hơn, các 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 hơn cho các ứng dụng thực tế.

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

Nhiệm vụ và chế độ được hỗ trợ

Dòng YOLOv3, bao gồm YOLOv3, YOLOv3- Ultralytics và YOLOv3u được thiết kế dành riêng cho các nhiệm vụ phát hiện đối tượng. Các mô hình này nổi tiếng về hiệu quả trong nhiều tình huống thực tế, cân bằng giữa độ chính xác và tốc độ. Mỗi biến thể đều cung cấp các tính năng và tối ưu hóa độc đáo, giúp chúng phù hợp với nhiều 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 tổng quan về khả năng của từng biến thể YOLOv3, làm nổi bật tính linh hoạt và tính phù hợp của chúng cho nhiều 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 đào tạo và suy luận 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 Predict , Train , Val và Export .

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 Lời cảm ơn

Nếu bạn sử dụng YOLOv3 trong nghiên cứu của mình, vui lòng trích dẫn nguồn 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.

CÂU HỎI THƯỜNG GẶP

Sự khác biệt giữa YOLOv3, YOLOv3- là gì? 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 vật thể khác nhau. Để biết thêm chi tiết về các biến thể, hãy tham khảo loạt YOLOv3 .

Làm thế nào tôi có thể đào tạo một 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 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 thêm các hướng dẫn và tùy chọn đào tạo toàn diện hơn, hãy truy cập tài liệu Chế độ đào tạo của chúng tôi.

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

YOLOv3u cải thiện YOLOv3 và YOLOv3- Ultralytics bằng cách kết hợp đầu tách không có neo, không có vật thể được sử dụng trong YOLOv8 models. Bản nâng cấp này loại bỏ nhu cầu về các hộp neo được xác định trước và điểm đối tượng, tăng cường khả năng phát hiện các đối tượng có kích thước và hình dạng khác nhau chính xác hơn. Điều này khiến 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 nên dùng YOLOv3u .

Tôi có thể sử dụng mô hình YOLOv3 để suy luận như thế nào?

Bạn có thể thực hiện suy luận bằng cách sử dụng các mô hình YOLOv3 bằng cách 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 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- Ultralytics và YOLOv3u chủ yếu hỗ trợ các tác vụ phát hiện đối tượng. Các mô hình này có thể được sử dụng cho nhiều giai đoạn triển khai và phát triển mô hình khác nhau, chẳng hạn như Suy luận, Xác thực, Đào tạo và Xuất. Để biết bộ tác vụ được hỗ trợ toàn diện và thông tin chi tiết sâu hơn, hãy truy cập tài liệu về tác vụ Phát hiện đối tượng của chúng tôi.

Tôi có thể tìm tài liệu tham khảo 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 nguồn 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 về trích dẫn, hãy tham khảo phần Trích dẫn và Lời cảm ơn .

📅 Được tạo ra cách đây 1 năm ✏️ Đã cập nhật cách đây 2 tháng

Bình luận