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，通过引入多尺度预测和三种不同尺寸的检测卷积核等特性，在前代版本的基础上进行了改进。

2. YOLOv3-Ultralytics：这是 Ultralytics 对 YOLOv3 的 PyTorch 实现，由 ultralytics/yolov3 仓库维护。它保留了原始的基于锚框的架构，同时增加了更多预训练模型，并让自定义更加简单。

3. YOLOv3u：这是 YOLOv3-Ultralytics 的更新版本，采用了 YOLOv8 模型使用的无锚框、无目标性分支头。YOLOv3u 保留了与 YOLOv3 相同的主干网络和颈部架构，但使用了 YOLOv8 的更新版检测头。

主要功能#

• YOLOv3：引入了使用三种不同尺度进行检测的方法，采用三种不同尺寸的检测卷积核：13x13、26x26 和 52x52。这显著提高了对不同尺寸物体的检测准确率。此外，YOLOv3 还加入了为每个边界框进行多标签预测等功能，并改进了特征提取网络。

• YOLOv3u：这个更新版模型采用了 YOLOv8 的无锚框、无目标性分支头。通过移除对预定义锚框和目标性分数的依赖，这种检测头设计可以提升模型检测不同尺寸和形状物体的能力。因此，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，与基于锚框的原始架构不同。这些模型以在各种真实场景中的出色表现而闻名，兼顾了准确率和速度。每个变体都具备独特的功能和优化，适用于各种应用场景。

这三个模型都支持一套全面的模式，确保在模型部署和开发的各个阶段灵活适用。这些模式包括推理、验证、训练和导出，为用户提供完整的工具集，以高效执行目标检测。

此表概览了各 YOLOv3 变体的能力，展示了它们在目标检测工作流中的灵活性，以及对各种任务和运行模式的适用性。

使用示例#

此示例展示了简单的 YOLOv3 训练和推理用法。有关这些模式及其他模式的完整文档，请参阅预测、训练、验证和导出文档页面。

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：

@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#