# yolov3 **Repository Path**: fgf11/yolov3 ## Basic Information - **Project Name**: yolov3 - **Description**: No description available - **Primary Language**: Unknown - **License**: AGPL-3.0 - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2025-12-10 - **Last Updated**: 2025-12-10 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README

[English](https://docs.ultralytics.com/) | [한국어](https://docs.ultralytics.com/ko/) | [日本語](https://docs.ultralytics.com/ja/) | [Русский](https://docs.ultralytics.com/ru/) | [Deutsch](https://docs.ultralytics.com/de/) | [Français](https://docs.ultralytics.com/fr/) | [Español](https://docs.ultralytics.com/es) | [Português](https://docs.ultralytics.com/pt/) | [Türkçe](https://docs.ultralytics.com/tr/) | [Tiếng Việt](https://docs.ultralytics.com/vi/) | [العربية](https://docs.ultralytics.com/ar/)

Open In Kaggle

Ultralytics YOLOv3 是由 [Ultralytics](https://www.ultralytics.com/) 开发的高效、强大的[计算机视觉](https://www.ultralytics.com/glossary/computer-vision-cv)模型。该实现基于 [PyTorch](https://pytorch.org/) 框架，构建于原始 YOLOv3 架构之上。与早期版本相比，YOLOv3 在[目标检测](https://www.ultralytics.com/glossary/object-detection)速度与准确性方面表现卓越，融合了前沿研究和最佳实践，成为多种视觉 AI 任务的可靠选择。欢迎您充分利用本项目资源！请访问 [Ultralytics 文档](https://docs.ultralytics.com/)获取详细指南（注意：YOLOv3 专属文档有限，建议参考通用 YOLO 原则），在 [GitHub Issues](https://github.com/ultralytics/yolov5/issues/new/choose) 提问获取支持，并加入 [Discord 社区](https://discord.com/invite/ultralytics)参与讨论！如需企业许可证，请填写 [Ultralytics 许可申请](https://www.ultralytics.com/license)。

## 🚀 YOLO11：下一代进化我们隆重推出 **Ultralytics YOLO11** 🚀，这是我们最新的 SOTA 视觉模型！YOLO11 已在 [Ultralytics YOLO GitHub 仓库](https://github.com/ultralytics/ultralytics)发布，延续了速度、精度与易用性的卓越传统。无论您在进行[目标检测](https://docs.ultralytics.com/tasks/detect/)、[实例分割](https://docs.ultralytics.com/tasks/segment/)、[姿态估计](https://docs.ultralytics.com/tasks/pose/)、[图像分类](https://docs.ultralytics.com/tasks/classify/)还是[旋转目标检测 (OBB)](https://docs.ultralytics.com/tasks/obb/)，YOLO11 都能为您的应用带来卓越性能和多功能性。立即体验，释放 YOLO11 的全部潜能！访问 [Ultralytics 文档](https://docs.ultralytics.com/)获取全面指南和资源： [![PyPI version](https://badge.fury.io/py/ultralytics.svg)](https://badge.fury.io/py/ultralytics) [![Downloads](https://static.pepy.tech/badge/ultralytics)](https://pepy.tech/projects/ultralytics) ```bash # 安装 ultralytics 包 pip install ultralytics ```

Ultralytics YOLO Performance Comparison

## 📚 文档请参阅 [Ultralytics YOLOv3 文档](https://docs.ultralytics.com/models/yolov3/)，了解如何使用 Ultralytics 框架进行训练、测试和部署。虽然 YOLOv3 专属文档有限，但通用 YOLO 原则同样适用。以下为 YOLOv3 快速入门示例。

安装

克隆仓库并在 [**Python>=3.8.0**](https://www.python.org/) 环境下，从 [requirements.txt](https://github.com/ultralytics/yolov5/blob/master/requirements.txt) 安装依赖。确保已安装 [**PyTorch>=1.8**](https://pytorch.org/get-started/locally/)。建议针对 YOLOv3 进行专门测试以确保兼容性。 ```bash # 克隆 YOLOv3 仓库 git clone https://github.com/ultralytics/yolov3 # 进入目录 cd yolov3 # 安装依赖 pip install -r requirements.txt ```

使用 PyTorch Hub 进行推理

通过 [PyTorch Hub](https://docs.ultralytics.com/integrations/jupyterlab/) 可便捷加载 YOLOv3 进行推理。[模型权重](https://github.com/ultralytics/yolov5/tree/master/models)如 `yolov3.pt`、`yolov3-spp.pt`、`yolov3-tiny.pt` 均可直接使用。 ```python import torch # 加载 YOLOv3 模型（如 yolov3, yolov3-spp） model = torch.hub.load("ultralytics/yolov3", "yolov3", pretrained=True) # 输入图像（支持 URL、本地文件、PIL、OpenCV、numpy 数组或列表） img = "https://ultralytics.com/images/zidane.jpg" # 推理 results = model(img) # 结果处理（.print(), .show(), .save(), .crop(), .pandas()） results.print() results.show() results.save() ```

使用 detect.py 进行推理

`detect.py` 脚本支持多种输入源推理。使用 `--weights yolov3.pt` 或其他变体，模型会自动下载，结果保存至 `runs/detect`。 ```bash # 使用 yolov3-tiny 和摄像头推理 python detect.py --weights yolov3-tiny.pt --source 0 # 使用 yolov3 推理本地图像 python detect.py --weights yolov3.pt --source img.jpg # 使用 yolov3-spp 推理本地视频 python detect.py --weights yolov3-spp.pt --source vid.mp4 # 推理屏幕截图 python detect.py --weights yolov3.pt --source screen # 推理图像目录 python detect.py --weights yolov3.pt --source path/to/images/ # 推理图像路径列表文件 python detect.py --weights yolov3.pt --source list.txt # 推理流 URL 列表文件 python detect.py --weights yolov3.pt --source list.streams # 使用 glob 模式推理 python detect.py --weights yolov3.pt --source 'path/to/*.jpg' # 推理 YouTube 视频 python detect.py --weights yolov3.pt --source 'https://youtu.be/LNwODJXcvt4' # 推理 RTSP、RTMP 或 HTTP 流 python detect.py --weights yolov3.pt --source 'rtsp://example.com/media.mp4' ```

训练

以下命令展示如何在 [COCO 数据集](https://docs.ultralytics.com/datasets/detect/coco/)上训练 YOLOv3。模型和数据集会自动下载。请根据硬件选择合适的 `--batch-size`。 ```bash # 在 COCO 上训练 YOLOv3-tiny 300 轮 python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov3-tiny.yaml --batch-size 64 # 在 COCO 上训练 YOLOv3 300 轮 python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov3.yaml --batch-size 32 # 在 COCO 上训练 YOLOv3-SPP 300 轮 python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov3-spp.yaml --batch-size 16 ```

教程

注意：这些教程多以 YOLOv5 为例，但原理同样适用于 YOLOv3。 - **[训练自定义数据](https://docs.ultralytics.com/guides/data-collection-and-annotation/)** 🚀 **推荐**：学习如何在自有数据集上训练模型。 - **[最佳训练技巧](https://docs.ultralytics.com/guides/model-training-tips/)** ☘️：提升模型性能的专家建议。 - **[多 GPU 训练](https://docs.ultralytics.com/guides/model-training-tips/)**：加速大规模训练。 - **[PyTorch Hub 集成](https://docs.ultralytics.com/integrations/jupyterlab/)** 🌟 **新增**：一键加载模型。 - **[模型导出 (TFLite, ONNX, CoreML, TensorRT)](https://docs.ultralytics.com/modes/export/)** 🚀：多格式部署支持。 - **[NVIDIA Jetson 部署](https://docs.ultralytics.com/guides/nvidia-jetson/)** 🌟 **新增**：边缘设备推理。 - **[测试时增强 (TTA)](https://docs.ultralytics.com/guides/model-evaluation-insights/)**：提升预测准确率。 - **[模型集成](https://docs.ultralytics.com/guides/model-deployment-options/)**：多模型融合提升表现。 - **[模型剪枝/稀疏化](https://docs.ultralytics.com/guides/model-deployment-practices/)**：优化模型体积与速度。 - **[超参数进化](https://docs.ultralytics.com/guides/hyperparameter-tuning/)**：自动优化训练参数。 - **[迁移学习与冻结层](https://docs.ultralytics.com/guides/model-training-tips/)**：高效迁移预训练模型。 - **[架构总结](https://docs.ultralytics.com/models/yolov3/)** 🌟 **新增**：理解 YOLOv3 设计原理。 - **[Ultralytics HUB 训练](https://www.ultralytics.com/hub)** 🚀 **推荐**：无代码训练与部署。 - **[ClearML 日志集成](https://docs.ultralytics.com/integrations/clearml/)**：实验可追溯。 - **[Neural Magic DeepSparse 集成](https://docs.ultralytics.com/integrations/neural-magic/)**：极致推理加速。 - **[Comet 日志集成](https://docs.ultralytics.com/integrations/comet/)** 🌟 **新增**：实验可视化与管理。

## 🧩 集成 Ultralytics 与领先 AI 平台深度集成，扩展了数据集标注、训练、可视化和模型管理等能力。了解如何通过 [Weights & Biases](https://docs.ultralytics.com/integrations/weights-biases/)、[Comet ML](https://docs.ultralytics.com/integrations/comet/)、[Roboflow](https://docs.ultralytics.com/integrations/roboflow/) 和 [Intel OpenVINO](https://docs.ultralytics.com/integrations/openvino/) 等合作伙伴优化您的 AI 工作流。探索 [Ultralytics 集成](https://docs.ultralytics.com/integrations/) 了解更多。

Ultralytics active learning integrations

| Ultralytics HUB 🌟 | Weights & Biases | Comet | Neural Magic | | :-----------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------------: | :---------------------------------------------------------------------------------------------------------: | :----------------------------------------------------------------------------------------------------------------: | | 简化 YOLO 工作流：使用 [Ultralytics HUB](https://hub.ultralytics.com/) 轻松标注、训练和部署。立即体验！ | 使用 [Weights & Biases](https://docs.ultralytics.com/integrations/weights-biases/) 跟踪实验与超参数。 | [Comet ML](https://docs.ultralytics.com/integrations/comet/) 永久免费，支持模型保存、训练恢复与预测可视化。 | [Neural Magic DeepSparse](https://docs.ultralytics.com/integrations/neural-magic/) 可将 YOLO 推理速度提升至 6 倍。 | ## ⭐ Ultralytics HUB 通过 [Ultralytics HUB](https://www.ultralytics.com/hub) ⭐ 体验无缝 AI 开发，轻松构建、训练和部署计算机视觉模型。无需代码，即可可视化数据集、训练 YOLOv3、YOLOv5 和 YOLOv8 🚀，并将模型部署到实际场景。借助 [Ultralytics App](https://www.ultralytics.com/app-install) 和创新工具，将图像转化为可操作见解。立即开启您的**免费** AI 之旅！

Ultralytics HUB Platform Screenshot

## 🤔 为何选择 YOLOv3？ YOLOv3 发布时推动了实时目标检测的进步。其核心优势包括： - **更高准确率：** 对小目标检测表现优异。 - **多尺度预测：** 支持三种不同尺度，提升多尺寸目标检测能力。 - **多标签分类：** 采用逻辑分类器而非 softmax，支持多标签输出。 - **强大特征提取器：** 使用更深的 Darknet-53 网络替代 YOLOv2 的 Darknet-19。尽管后续如 YOLOv5 和 YOLO11 等模型带来更多创新，YOLOv3 依然是坚实且广泛理解的基准，Ultralytics 在 PyTorch 中实现高效。 ## ☁️ 环境使用预配置环境快速上手。点击下方图标了解各平台设置详情。

## 🤝 贡献欢迎您的贡献！Ultralytics 致力于让 YOLO 模型更易用、更高效。请参阅[贡献指南](https://docs.ultralytics.com/help/contributing/)开始参与。通过 [Ultralytics 调查](https://www.ultralytics.com/survey?utm_source=github&utm_medium=social&utm_campaign=Survey) 分享您的反馈。感谢所有为 Ultralytics YOLO 发展做出贡献的朋友！ [![Ultralytics open-source contributors](https://raw.githubusercontent.com/ultralytics/assets/main/im/image-contributors.png)](https://github.com/ultralytics/yolov5/graphs/contributors) ## 📜 许可证 Ultralytics 提供两种许可选项以满足不同需求： - **AGPL-3.0 许可证**：经 [OSI 批准](https://opensource.org/license/agpl-v3)的开源协议，适合学术、个人项目和测试，促进开放合作。详情见 [LICENSE](https://github.com/ultralytics/yolov5/blob/master/LICENSE)。 - **企业许可证**：专为商业应用设计，允许将 Ultralytics 软件和模型集成到商业产品和服务，无需遵守 AGPL-3.0 的开源要求。请通过 [Ultralytics 许可](https://www.ultralytics.com/license) 联系我们。 ## 📧 联系如需报告 Ultralytics YOLO 实现的 bug 或功能请求，请访问 [GitHub Issues](https://github.com/ultralytics/yolov5/issues)。如有一般问题、讨论或社区支持，欢迎加入 [Discord 服务器](https://discord.com/invite/ultralytics)！