ultralytics/yolov3: v8 - Final Darknet Compatible Release
Notice bibliographique
Résumé
This is the final release of the darknet-compatible version of the https://github.com/ultralytics/yolov3 repository. This release is backwards-compatible with darknet *.cfg files for model configuration. All pytorch (.pt) and darknet (.weights) models/backbones available are attached to this release in the Assets section below. Breaking Changes There are no breaking changes in this release. Bug Fixes Various Added Functionality Various Speed https://cloud.google.com/deep-learning-vm/ Machine type: preemptible n1-standard-8 (8 vCPUs, 30 GB memory) CPU platform: Intel Skylake GPUs: K80 ($0.14/hr), T4 ($0.11/hr), V100 ($0.74/hr) CUDA with Nvidia Apex FP16/32 HDD: 300 GB SSD Dataset: COCO train 2014 (117,263 images) Model: yolov3-spp.cfg Command: python3 train.py --data coco2017.data --img 416 --batch 32 GPU n --batch-size img/s epoch time epoch cost K80 1 32 x 2 11 175 min $0.41 T4 1 2 32 x 2 64 x 1 41 61 48 min 32 min $0.09 $0.11 V100 1 2 32 x 2 64 x 1 122 178 16 min 11 min $0.21 $0.28 2080Ti 1 2 32 x 2 64 x 1 81 140 24 min 14 min - - mAP Size COCO mAP @0.5...0.95 COCO mAP @0.5 YOLOv3-tiny YOLOv3 YOLOv3-SPP YOLOv3-SPP-ultralytics 320 14.0 28.7 30.5 37.7 29.1 51.8 52.3 56.8 YOLOv3-tiny YOLOv3 YOLOv3-SPP YOLOv3-SPP-ultralytics 416 16.0 31.2 33.9 41.2 33.0 55.4 56.9 60.6 YOLOv3-tiny YOLOv3 YOLOv3-SPP YOLOv3-SPP-ultralytics 512 16.6 32.7 35.6 42.6 34.9 57.7 59.5 62.4 YOLOv3-tiny YOLOv3 YOLOv3-SPP YOLOv3-SPP-ultralytics 608 16.6 33.1 37.0 43.1 35.4 58.2 60.7 62.8 TODO NA
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,006 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,147 | 0,210 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».