Что это такое?
Реализация детектора объектов реального времени YOLOv3 от Ultralytics на PyTorch: в неё входят три варианта модели — YOLOv3, YOLOv3-SPP и YOLOv3-tiny — а также инструменты для обучения, валидации, инференса и экспорта в разные форматы.
Реализация детектора объектов реального времени YOLOv3 от Ultralytics на PyTorch: в неё входят три варианта модели — YOLOv3, YOLOv3-SPP и YOLOv3-tiny — а также инструменты для обучения, валидации, инференса и экспорта в разные форматы.Это библиотека, которую я импортирую, или набор скриптов для запуска?И то и другое. Модели можно загрузить в коде через PyTorch Hub, либо запускать готовые скрипты из командной строки: detect.py для инференса, а также train.py, val.py и export.py.
И то и другое. Модели можно загрузить в коде через PyTorch Hub, либо запускать готовые скрипты из командной строки: detect.py для инференса, а также train.py, val.py и export.py.Как его запустить?Склонируйте репозиторий и установите зависимости из requirements.txt в окружении с Python>=3.8.0 и PyTorch>=1.8, затем запускайте скрипты или загружайте модели через PyTorch Hub.
Склонируйте репозиторий и установите зависимости из requirements.txt в окружении с Python>=3.8.0 и PyTorch>=1.8, затем запускайте скрипты или загружайте модели через PyTorch Hub.Что должно быть установлено, чтобы им пользоваться?Достаточно Python 3.8+ и PyTorch 1.8+; остальное ставится из requirements.txt, а предобученные веса и датасеты скачиваются автоматически — без API-ключей и регистрации.
Достаточно Python 3.8+ и PyTorch 1.8+; остальное ставится из requirements.txt, а предобученные веса и датасеты скачиваются автоматически — без API-ключей и регистрации.Стоит ли мне всё ещё использовать именно YOLOv3?Здесь классическая, хорошо изученная архитектура YOLOv3 — надёжный базовый вариант. Но если нужны более новые и широкие модели семейства YOLO от Ultralytics, лучше взять основной репозиторий Ultralytics.
Здесь классическая, хорошо изученная архитектура YOLOv3 — надёжный базовый вариант. Но если нужны более новые и широкие модели семейства YOLO от Ultralytics, лучше взять основной репозиторий Ultralytics.Он запустится на моём Windows или это только для Linux?Это обычный Python и PyTorch, так что всё одинаково работает на Linux, macOS и Windows.
Это обычный Python и PyTorch, так что всё одинаково работает на Linux, macOS и Windows.Всё работает локально на моём железе?Да — это локальный код на Python/PyTorch без облачной составляющей; обучение и инференс идут на вашем компьютере.
Да — это локальный код на Python/PyTorch без облачной составляющей; обучение и инференс идут на вашем компьютере.Можно ли использовать его в коммерческом продукте?По стандартной лицензии — нет: AGPL-3.0 ориентирована на исследования и совместную разработку. Для коммерческого использования нужна платная Enterprise License от Ultralytics.
По стандартной лицензии — нет: AGPL-3.0 ориентирована на исследования и совместную разработку. Для коммерческого использования нужна платная Enterprise License от Ultralytics.Чем отличаются YOLOv3, YOLOv3-SPP и YOLOv3-tiny?YOLOv3 — полная модель на Darknet-53, лучший баланс скорости и точности. YOLOv3-SPP добавляет блок Spatial Pyramid Pooling, который расширяет рецептивное поле и немного повышает точность. YOLOv3-tiny — компактная модель с двумя масштабами, самый быстрый вариант, оптимизированный под CPU и edge-устройства.
YOLOv3 — полная модель на Darknet-53, лучший баланс скорости и точности. YOLOv3-SPP добавляет блок Spatial Pyramid Pooling, который расширяет рецептивное поле и немного повышает точность. YOLOv3-tiny — компактная модель с двумя масштабами, самый быстрый вариант, оптимизированный под CPU и edge-устройства.Что он распознаёт сразу, без настройки?Поставляемые чекпоинты предобучены на COCO с 80 классами, поэтому эти объекты распознаются сразу, без какого-либо обучения с вашей стороны.
Поставляемые чекпоинты предобучены на COCO с 80 классами, поэтому эти объекты распознаются сразу, без какого-либо обучения с вашей стороны.Могу ли я обучить его на своём датасете?Да — гайд Train Custom Data проведёт вас через весь процесс, а общий тренировочный фреймворк Ultralytics добавляет обучение на нескольких GPU, автоматический подбор гиперпараметров, test-time аугментацию, ансамблирование моделей и transfer learning с заморозкой слоёв.
Да — гайд Train Custom Data проведёт вас через весь процесс, а общий тренировочный фреймворк Ultralytics добавляет обучение на нескольких GPU, автоматический подбор гиперпараметров, test-time аугментацию, ансамблирование моделей и transfer learning с заморозкой слоёв.В какие форматы можно экспортировать обученную модель для развёртывания?export.py поддерживает TorchScript, ONNX, OpenVINO, TensorRT, CoreML и PaddlePaddle — например: python export.py --weights yolov3.pt --include onnx.
export.py поддерживает TorchScript, ONNX, OpenVINO, TensorRT, CoreML и PaddlePaddle — например: python export.py --weights yolov3.pt --include onnx.What are similar projects?yolov5, YOLOX, High-Angle_Robust_Fast_FaceAlignment, RelateAnything, yolov7, ultralytics, SolarWM, Pytorch-UNet
yolov5, YOLOX, High-Angle_Robust_Fast_FaceAlignment, RelateAnything, yolov7, ultralytics, SolarWM, Pytorch-UNetWhich topics is it in?coreml, tensorrt, transfer-learning, convolutional-neural-networks, yolo, cnn, model-training, distributed-training, validation, edge-ai, neural-networks, object-detection
coreml, tensorrt, transfer-learning, convolutional-neural-networks, yolo, cnn, model-training, distributed-training, validation, edge-ai, neural-networks, object-detection