6.4 KiB

Raw Blame History

comments	description	keywords
true	Obtenha uma visão geral do YOLOv3, YOLOv3-Ultralytics e YOLOv3u. Saiba mais sobre suas principais características, uso e tarefas suportadas para detecção de objetos.	YOLOv3, YOLOv3-Ultralytics, YOLOv3u, Detecção de Objetos, Inferência, Treinamento, Ultralytics

YOLOv3, YOLOv3-Ultralytics, e YOLOv3u

Visão Geral

Este documento apresenta uma visão geral de três modelos de detecção de objetos intimamente relacionados, nomeadamente o YOLOv3, YOLOv3-Ultralytics e YOLOv3u.

YOLOv3: Esta é a terceira versão do algoritmo de detecção de objetos You Only Look Once (YOLO). Originalmente desenvolvido por Joseph Redmon, o YOLOv3 melhorou seus predecessores ao introduzir recursos como previsões em várias escalas e três tamanhos diferentes de kernels de detecção.
YOLOv3-Ultralytics: Esta é a implementação do YOLOv3 pela Ultralytics. Ela reproduz a arquitetura original do YOLOv3 e oferece funcionalidades adicionais, como suporte para mais modelos pré-treinados e opções de personalização mais fáceis.
YOLOv3u: Esta é uma versão atualizada do YOLOv3-Ultralytics que incorpora o cabeçalho dividido livre de âncoras e sem "objectness" usado nos modelos YOLOv8. O YOLOv3u mantém a mesma arquitetura de "backbone" e "neck" do YOLOv3, mas com o cabeçalho de detecção atualizado do YOLOv8.

Principais Características

YOLOv3: Introduziu o uso de três escalas diferentes para detecção, aproveitando três tamanhos diferentes de kernels de detecção: 13x13, 26x26 e 52x52. Isso melhorou significativamente a precisão da detecção para objetos de diferentes tamanhos. Além disso, o YOLOv3 adicionou recursos como previsões multi-rótulos para cada caixa delimitadora e uma rede de extração de características melhor.
YOLOv3-Ultralytics: A implementação do YOLOv3 pela Ultralytics oferece o mesmo desempenho do modelo original, porém possui suporte adicional para mais modelos pré-treinados, métodos de treinamento adicionais e opções de personalização mais fáceis. Isso torna o modelo mais versátil e fácil de usar para aplicações práticas.
YOLOv3u: Este modelo atualizado incorpora o cabeçalho dividido livre de âncoras e "objectness" do YOLOv8. Ao eliminar a necessidade de caixas de âncoras pré-definidas e pontuações de "objectness", esse design de cabeçalho de detecção pode melhorar a capacidade do modelo de detectar objetos de tamanhos e formatos variados. Isso torna o YOLOv3u mais robusto e preciso para tarefas de detecção de objetos.

Tarefas e Modos Suportados

A série YOLOv3, incluindo YOLOv3, YOLOv3-Ultralytics e YOLOv3u, foi projetada especificamente para tarefas de detecção de objetos. Esses modelos são conhecidos por sua eficácia em vários cenários do mundo real, equilibrando precisão e velocidade. Cada variante oferece recursos e otimizações únicos, tornando-os adequados para uma variedade de aplicações.

Os três modelos suportam um conjunto abrangente de modos, garantindo versatilidade em várias etapas do desenvolvimento e implantação de modelos. Esses modos incluem Inferência, Validação, Treinamento e Exportação, fornecendo aos usuários um conjunto completo de ferramentas para detecção eficaz de objetos.

Tipo de Modelo	Tarefas Suportadas	Inferência	Validação	Treinamento	Exportação
YOLOv3	Detecção de Objetos	✅	✅	✅	✅
YOLOv3-Ultralytics	Detecção de Objetos	✅	✅	✅	✅
YOLOv3u	Detecção de Objetos	✅	✅	✅	✅

Esta tabela fornece uma visão rápida das capacidades de cada variante do YOLOv3, destacando sua versatilidade e adequação para várias tarefas e modos operacionais em fluxos de trabalho de detecção de objetos.

Exemplos de Uso

Este exemplo apresenta exemplos simples de treinamento e inferência do YOLOv3. Para obter documentação completa sobre esses e outros modos, consulte as páginas de documentação do Predict, Train, Val e Export.

!!! Example "Exemplo"

=== "Python"

    Modelos pré-treinados do PyTorch `*.pt`, bem como arquivos de configuração `*.yaml`, podem ser passados para a classe `YOLO()` para criar uma instância do modelo em Python:

    ```python
    from ultralytics import YOLO

    # Carregue um modelo YOLOv3n pré-treinado na COCO
    model = YOLO('yolov3n.pt')

    # Exiba informações sobre o modelo (opcional)
    model.info()

    # Treine o modelo no conjunto de dados de exemplo COCO8 por 100 épocas
    results = model.train(data='coco8.yaml', epochs=100, imgsz=640)

    # Execute inferência com o modelo YOLOv3n na imagem 'bus.jpg'
    results = model('caminho/para/bus.jpg')
    ```

=== "CLI"

    Comandos CLI estão disponíveis para executar diretamente os modelos:

    ```bash
    # Carregue um modelo YOLOv3n pré-treinado na COCO e treine-o no conjunto de dados de exemplo COCO8 por 100 épocas
    yolo train model=yolov3n.pt data=coco8.yaml epochs=100 imgsz=640

    # Carregue um modelo YOLOv3n pré-treinado na COCO e execute inferência na imagem 'bus.jpg'
    yolo predict model=yolov3n.pt source=caminho/para/bus.jpg
    ```

Citações e Reconhecimentos

Se você utilizar o YOLOv3 em sua pesquisa, por favor, cite os artigos originais do YOLO e o repositório 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}
    }
    ```

Agradecemos a Joseph Redmon e Ali Farhadi por desenvolverem o YOLOv3 original.

6.4 KiB Raw Blame History