开始使用

YOLOv3 和 YOLOv3u

概述#

本文概述了三个密切相关的目标检测模型:YOLOv3、YOLOv3-Ultralytics 和 YOLOv3u。

  1. YOLOv3: 这是 You Only Look Once(YOLO)目标检测算法的第三个版本。YOLOv3 最初由 Joseph Redmon 开发,通过在三个不同尺度上进行预测,改进了此前的版本。

  2. YOLOv3-Ultralytics: 这是 Ultralytics 基于 PyTorch 实现的 YOLOv3,维护在 ultralytics/yolov3 仓库中。它保留了原有的基于锚框架构,同时增加了更多预训练模型并简化了自定义流程。

  3. YOLOv3u: 这是 YOLOv3-Ultralytics 的更新版本,集成了 YOLOv8 模型所用的无锚框、无目标性分离头。YOLOv3u 保留了 YOLOv3 的骨干网络和颈部架构,同时采用了来自 YOLOv8 的更新版检测头。

YOLOv3 目标检测模型横幅

主要功能#

  • YOLOv3: 针对 416x416 的输入,在 13x13、26x26 和 52x52 的输出网格上引入了三个不同尺度的检测。这显著提升了对不同尺寸目标的检测精度。此外,YOLOv3 还为每个边界框增加了多标签预测,并采用了更强大的特征提取网络 Darknet-53。

  • YOLOv3u: 这个更新版模型集成了来自 YOLOv8 的无锚框、无目标性分离头。无需预定义锚框和目标性分数的检测头设计,可以提升模型检测各种尺寸和形状目标的能力。这使 YOLOv3u 在目标检测任务中更加稳健、准确。

支持的任务和模式#

YOLOv3 专为目标检测任务设计。Ultralytics 支持 YOLOv3 的三个变体:yolov3u、yolov3-tinyu 和 yolov3-sppu。名称中的 u 表示这些模型采用了 YOLOv8 的无锚框检测头,与原本基于锚框的架构不同。不同变体在精度和速度之间各有取舍:YOLOv3-Tiny 尺寸最小、速度最快,而 YOLOv3-SPP 则在标准 YOLOv3 模型中加入了空间金字塔池化。

这三个模型都支持训练、验证、推理和导出模式,涵盖从开发到模型部署的各个阶段。

模型类型预训练权重支持的任务训练验证推理导出
YOLOv3(u)yolov3u.pt目标检测✅✅✅✅
YOLOv3-Tiny(u)yolov3-tinyu.pt目标检测✅✅✅✅
YOLOv3-SPP(u)yolov3-sppu.pt目标检测✅✅✅✅

此表总结了每种 YOLOv3 变体支持的任务和模式。

使用示例#

此示例提供简单的 YOLOv3 训练和推理示例。

示例

PyTorch 预训练的 *.pt 模型以及配置 *.yaml 文件都可以传递给 YOLO() 类,从而在 Python 中创建模型实例:

from ultralytics import YOLO

# 加载在 COCO 上预训练的 YOLOv3u 模型
model = YOLO("yolov3u.pt")

# 显示模型信息(可选)
model.info()

# 使用 COCO8 示例数据集训练模型 100 个 epoch
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 使用 YOLOv3u 模型对 'bus.jpg' 图像运行推理
results = model("path/to/bus.jpg")

引用与致谢#

如果你在研究中使用 YOLOv3,请引用原始 YOLO 论文和 Ultralytics YOLOv3 仓库:

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

感谢 Joseph Redmon 和 Ali Farhadi 开发了原始 YOLOv3。

常见问题#

  • YOLOv3 是 Joseph Redmon 开发的 YOLO(只看一次)目标检测算法的第三个版本,以兼顾准确率和速度著称,可在三个不同尺度上进行预测(对于 416x416 输入,网格大小分别为 13x13、26x26 和 52x52)。YOLOv3-Ultralytics 是 Ultralytics 对 YOLOv3 的改编版本,增加了对更多预训练模型的支持,并让模型定制更加简单。YOLOv3u 是 YOLOv3-Ultralytics 的升级版本,集成了 YOLOv8 的无锚框、无目标性分数分离式头部,提升了对各种尺寸目标的检测稳健性和准确率。

  • 你可以使用 Python 或 CLI 训练 YOLOv3u 模型:

    示例
    from ultralytics import YOLO
    
    # 加载在 COCO 上预训练的 YOLOv3u 模型
    model = YOLO("yolov3u.pt")
    
    # 使用 COCO8 示例数据集训练模型 100 个 epoch
    results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

    如需了解更全面的训练选项和指南,请访问我们的训练模式文档。

  • YOLOv3u 采用了 YOLOv8 模型使用的无锚框、无目标性分支头,在 YOLOv3 和 YOLOv3-Ultralytics 的基础上进行了改进。这项升级无需预定义锚框和目标性分数,因此能够更精确地检测不同尺寸和形状的物体。对于复杂多样的目标检测任务,YOLOv3u 是更好的选择。有关更多信息,请参阅主要特性部分。

  • 你可以使用 Python 或 CLI 运行 YOLOv3 模型推理:

    示例
    from ultralytics import YOLO
    
    # 加载在 COCO 上预训练的 YOLOv3u 模型
    model = YOLO("yolov3u.pt")
    
    # 使用 YOLOv3u 模型对 'bus.jpg' 图像运行推理
    results = model("path/to/bus.jpg")

    有关运行 YOLO 模型的更多详情,请参阅推理模式文档。

  • YOLOv3、YOLOv3-Tiny 和 YOLOv3-SPP 主要支持目标检测任务。这些模型支持训练、验证、推理和导出模式。

  • 如果你在研究中使用 YOLOv3,请引用原始 YOLO 论文和 Ultralytics YOLOv3 仓库。BibTeX 引用示例:

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

    有关引用的更多详情,请参阅引用与致谢部分。

评论

提出问题、分享结果,或帮助其他人。