YOLOv3 و YOLOv3u

نظرة عامة

تعرض هذه الوثيقة نظرة عامة على ثلاثة نماذج للكشف عن الأجسام وثيقة الصلة، وهي YOLOv3 و YOLOv3-Ultralytics و YOLOv3u.

1. YOLOv3: هذا هو الإصدار الثالث من خوارزمية الكشف عن الأجسام (YOLO) You Only Look Once. تم تطوير YOLOv3 في الأصل بواسطة جوزيف ريدمون، وقد حسّن YOLOv3 على سابقاتها من خلال تقديم ميزات مثل التنبؤات متعددة المقاييس وثلاثة أحجام مختلفة من نوى الكشف.

2. YOLOv3u: هذه نسخة محدثة من YOLOv3-Ultralytics تتضمن الرأس المنفصل الخالي من المرساة والخالي من الموضوعية المستخدم في نماذج YOLOv8. تحافظ YOLOv3u على نفس العمود الفقري وهيكل العنق مثل YOLOv3 ولكن مع رأس الكشف المحدث من YOLOv8.

الميزات الرئيسية

• YOLOv3: قدم استخدام ثلاثة مقاييس مختلفة للكشف، والاستفادة من ثلاثة أحجام مختلفة من نوى الكشف: 13x13 و 26x26 و 52x52. وقد أدى ذلك إلى تحسين دقة الكشف عن الأجسام ذات الأحجام المختلفة بشكل كبير. بالإضافة إلى ذلك، أضاف YOLOv3 ميزات مثل التنبؤات متعددة التصنيفات لكل مربع إحاطة وشبكة استخلاص ميزات أفضل.

• YOLOv3u: يشتمل هذا النموذج المحدث على الرأس المنفصل الخالي من المرساة والخالي من الموضوعية من YOLOv8. من خلال إلغاء الحاجة إلى مربعات الارتساء المحددة مسبقًا وعلامات الموضوعية، يمكن لتصميم رأس الكشف هذا تحسين قدرة النموذج على اكتشاف الأجسام ذات الأحجام والأشكال المختلفة. وهذا يجعل YOLOv3u أكثر قوة ودقة لمهام الكشف عن الأجسام.

المهام والأوضاع المدعومة

تم تصميم YOLOv3 خصيصًا لـ اكتشاف الكائنات المهام. تدعم Ultralytics ثلاثة متغيرات من YOLOv3: yolov3u, yolov3-tinyu و yolov3-sppu. إن u يشير الاسم إلى أنها تستخدم رأس YOLOv8 الخالي من المرساة، على عكس بنيتها الأصلية القائمة على المرساة. تشتهر هذه النماذج بفعاليتها في سيناريوهات العالم الحقيقي المختلفة، وتحقيق التوازن بين الدقة والسرعة. يقدم كل متغير ميزات وتحسينات فريدة، مما يجعلها مناسبة لمجموعة من التطبيقات.

تدعم جميع النماذج الثلاثة مجموعة شاملة من الأوضاع، مما يضمن تعدد الاستخدامات في مختلف مراحل نشر النموذج وتطويره. تتضمن هذه الأوضاع الاستدلال و التحقق و التدريب و التصدير، مما يمنح المستخدمين مجموعة أدوات كاملة للكشف الفعال عن الأجسام.

يوفر هذا الجدول عرضًا سريعًا لإمكانيات كل متغير من متغيرات YOLOv3، مع تسليط الضوء على تنوعه وملاءمته لمختلف المهام وأوضاع التشغيل في مهام سير عمل الكشف عن الأجسام.

أمثلة الاستخدام

يوفر هذا المثال أمثلة بسيطة لتدريب YOLOv3 والاستدلال. للحصول على وثائق كاملة حول هذه الأوضاع وغيرها، راجع صفحات وثائق التنبؤ و التدريب و التحقق و التصدير.

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv3u model
model = YOLO("yolov3u.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 YOLOv3u model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

# Load a COCO-pretrained YOLOv3u model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov3u.pt data=coco8.yaml epochs=100 imgsz=640

# Load a COCO-pretrained YOLOv3u model and run inference on the 'bus.jpg' image
yolo predict model=yolov3u.pt source=path/to/bus.jpg

الاقتباسات والشكر والتقدير

إذا كنت تستخدم YOLOv3 في بحثك، فيرجى الاستشهاد بأوراق YOLO الأصلية ومستودع Ultralytics YOLOv3:

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

شكرًا لجوزيف ريدمون وعلي فرهادي لتطويرهما YOLOv3 الأصلي.

الأسئلة الشائعة

ما هي الاختلافات بين YOLOv3 و YOLOv3-Ultralytics و YOLOv3u؟

YOLOv3 هو التكرار الثالث لخوارزمية الكشف عن الأجسام YOLO (You Only Look Once) التي طورها جوزيف ريدمون، والمعروفة بتوازنها بين الدقة والسرعة، باستخدام ثلاثة مقاييس مختلفة (13x13 و 26x26 و 52x52) لعمليات الكشف. YOLOv3-Ultralytics هو تكييف Ultralytics لـ YOLOv3 الذي يضيف دعمًا لمزيد من النماذج المدربة مسبقًا ويسهل تخصيص النموذج. YOLOv3u هو متغير مطور من YOLOv3-Ultralytics، يدمج الرأس المنفصل الخالي من المرساة والخالي من الموضوعية من YOLOv8، مما يحسن قوة الكشف ودقته لمختلف أحجام الأجسام. لمزيد من التفاصيل حول المتغيرات، راجع سلسلة YOLOv3.

كيف يمكنني تدريب نموذج YOLOv3 باستخدام Ultralytics؟

يعد تدريب نموذج YOLOv3 باستخدام Ultralytics أمرًا مباشرًا. يمكنك تدريب النموذج باستخدام Python أو CLI:

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv3u model
model = YOLO("yolov3u.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 YOLOv3u model and train it on the COCO8 example dataset for 100 epochs
yolo train model=yolov3u.pt data=coco8.yaml epochs=100 imgsz=640

للحصول على خيارات وإرشادات تدريب أكثر شمولاً، تفضل بزيارة وثائق وضع التدريب الخاصة بنا.

ما الذي يجعل YOLOv3u أكثر دقة لمهام الكشف عن الأجسام؟

تعمل YOLOv3u على تحسين YOLOv3 و YOLOv3-Ultralytics من خلال دمج الرأس المنفصل الخالي من المرساة والخالي من الموضوعية المستخدم في نماذج YOLOv8. تعمل هذه الترقية على إلغاء الحاجة إلى مربعات الارتساء المحددة مسبقًا وعلامات الموضوعية، مما يعزز قدرتها على اكتشاف الكائنات ذات الأحجام والأشكال المختلفة بدقة أكبر. وهذا يجعل YOLOv3u خيارًا أفضل لمهام الكشف عن الكائنات المعقدة والمتنوعة. لمزيد من المعلومات، راجع قسم الميزات الرئيسية.

كيف يمكنني استخدام نماذج YOLOv3 للاستدلال؟

يمكنك إجراء الاستدلال باستخدام نماذج YOLOv3 إما عن طريق نصوص Python أو أوامر CLI:

from ultralytics import YOLO

# Load a COCO-pretrained YOLOv3u model
model = YOLO("yolov3u.pt")

# Run inference with the YOLOv3u model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

# Load a COCO-pretrained YOLOv3u model and run inference on the 'bus.jpg' image
yolo predict model=yolov3u.pt source=path/to/bus.jpg

راجع وثائق وضع الاستدلال لمزيد من التفاصيل حول تشغيل نماذج YOLO.

ما هي المهام التي تدعمها YOLOv3 ومتغيراتها؟

تدعم YOLOv3 و YOLOv3-Tiny و YOLOv3-SPP بشكل أساسي مهام الكشف عن الأجسام. يمكن استخدام هذه النماذج في مراحل مختلفة من نشر النموذج وتطويره، مثل الاستدلال والتحقق والتدريب والتصدير. للحصول على مجموعة شاملة من المهام المدعومة والمزيد من التفاصيل المتعمقة، تفضل بزيارة وثائق مهام الكشف عن الأجسام.

أين يمكنني العثور على مصادر للاستشهاد بـ YOLOv3 في بحثي؟

إذا كنت تستخدم YOLOv3 في بحثك، فيرجى الاستشهاد بأوراق YOLO الأصلية ومستودع Ultralytics YOLOv3. مثال على اقتباس BibTeX:

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

لمزيد من تفاصيل الاقتباس، راجع قسم الاقتباسات والشكر والتقدير.

📅 تم الإنشاء منذ سنة واحدة ✏️ تم التحديث منذ 4 أشهر

تعليقات