9.5 KiB

Raw Blame History

comments	description	keywords
true	Получите обзор моделей YOLOv3, YOLOv3-Ultralytics и YOLOv3u. Узнайте о их основных функциях, использовании и поддерживаемых задачах для обнаружения объектов.	YOLOv3, YOLOv3-Ultralytics, YOLOv3u, Обнаружение объектов, Вывод, Обучение, Ultralytics

YOLOv3, YOLOv3-Ultralytics и YOLOv3u

Обзор

Этот документ представляет обзор трех тесно связанных моделей обнаружения объектов: YOLOv3, YOLOv3-Ultralytics и YOLOv3u.

YOLOv3: Это третья версия алгоритма обнаружения объектов You Only Look Once (YOLO). Изначально разработанная Джозефом Редмоном (Joseph Redmon), YOLOv3 улучшила своих предшественников, внедрив такие функции, как многошкальные предсказания и три различных размера ядер детекции.
YOLOv3-Ultralytics: Это имплементация модели YOLOv3 от Ultralytics. Она воспроизводит оригинальную архитектуру YOLOv3 и предлагает дополнительные возможности, такие как поддержка большего числа предварительно обученных моделей и более простые варианты настройки.
YOLOv3u: Это обновленная версия YOLOv3-Ultralytics, которая включает в себя разделение головы на свободные от привязки якоря и объектности, используемое в моделях YOLOv8. YOLOv3u имеет такую же архитектуру основного модуля и модуля "шеи", как YOLOv3, но с обновленной головой детекции из YOLOv8.

Основные характеристики

YOLOv3: Внедрение трех масштабов детекции позволило использовать три разных размера ядер детекции: 13x13, 26x26 и 52x52. Это значительно улучшило точность обнаружения объектов различных размеров. Кроме того, YOLOv3 добавила такие функции, как множественные предсказания для каждого ограничивающего прямоугольника и более высококачественную сеть экстрактора признаков.
YOLOv3-Ultralytics: Имплементация YOLOv3 от Ultralytics обеспечивает такую же производительность, как у оригинальной модели, но дополнительно поддерживает больше предварительно обученных моделей, дополнительные методы обучения и более простые варианты настройки. Это делает ее более гибкой и удобной для практического применения.
YOLOv3u: В этой обновленной модели использовано разделение головы на свободные от привязки якоря и объектности из YOLOv8. Путем устранения необходимости в предопределенных координатах привязки и оценках объектности эта архитектура головы детекции способна улучшить способность модели обнаруживать объекты различных размеров и форм. Это делает YOLOv3u более устойчивой и точной для задач обнаружения объектов.

Поддерживаемые задачи и режимы

Серия YOLOv3, включая YOLOv3, YOLOv3-Ultralytics и YOLOv3u, специально разработана для задач обнаружения объектов. Эти модели заслужили признание своей эффективности в различных сценариях реального мира, обеспечивая баланс между точностью и скоростью. Каждый вариант предлагает уникальные функции и оптимизации, что делает их подходящими для широкого спектра приложений.

Все три модели поддерживают полный набор режимов, обеспечивая гибкость на разных этапах развертывания и разработки моделей. Эти режимы включают Вывод, Проверку, Обучение и Экспорт, что позволяет пользователям полноценно использовать эти модели для эффективного обнаружения объектов.

Тип модели	Поддерживаемые задачи	Вывод	Проверка	Обучение	Экспорт
YOLOv3	Обнаружение объектов	✅	✅	✅	✅
YOLOv3-Ultralytics	Обнаружение объектов	✅	✅	✅	✅
YOLOv3u	Обнаружение объектов	✅	✅	✅	✅

Эта таблица предоставляет краткий обзор возможностей каждого варианта модели YOLOv3, подчеркивая их гибкость и пригодность для выполнения различных задач и операционных режимов в потоке обнаружения объектов.

Примеры использования

Этот пример предоставляет простые примеры обучения и вывода с использованием YOLOv3. Полную документацию об этих и других режимах см. на страницах документации по Predict, Train, Val и Export.

!!! Example "Пример"

=== "Python"

    В Python можно передавать предварительно обученные модели `*.pt` PyTorch и конфигурационные файлы `*.yaml` в класс `YOLO()`, чтобы создать экземпляр модели:

    ```python
    from ultralytics import YOLO

    # Загрузка предварительно обученной модели YOLOv3n на наборе данных COCO
    model = YOLO('yolov3n.pt')

    # Отображение информации о модели (необязательно)
    model.info()

    # Обучение модели на примере набора данных COCO8 в течение 100 эпох
    results = model.train(data='coco8.yaml', epochs=100, imgsz=640)

    # Выполнение вывода модели YOLOv3n на изображении 'bus.jpg'
    results = model('path/to/bus.jpg')
    ```

=== "CLI"

    Имеются команды интерфейса командной строки для прямого запуска моделей:

    ```bash
    # Загрузить предварительно обученную модель YOLOv3n на наборе данных COCO и обучить ее на примере набора данных COCO8 в течение 100 эпох
    yolo train model=yolov3n.pt data=coco8.yaml epochs=100 imgsz=640

    # Загрузить предварительно обученную модель YOLOv3n на наборе данных COCO и выполнить вывод на изображении 'bus.jpg'
    yolo predict model=yolov3n.pt source=path/to/bus.jpg
    ```

Цитаты и благодарности

Если вы используете YOLOv3 в своем исследовании, пожалуйста, цитируйте оригинальные статьи о YOLO и репозиторий Ultralytics YOLOv3:

!!! Quote ""

=== "BibTeX"

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

Благодарим Джозефа Редмона и Али Фархади за разработку оригинальной модели YOLOv3.

9.5 KiB Raw Blame History