English | 한국어 | 日本語 | Русский | Deutsch | Français | Español | Português | Türkçe | Tiếng Việt | العربية
Ultralytics YOLOv3 是由 Ultralytics 开发的一款强大而高效的计算机视觉模型。该实现基于 PyTorch 框架，建立在原始 YOLOv3 架构之上。与之前的版本相比，YOLOv3 以其在目标检测速度和准确性方面的显著改进而闻名。它融合了广泛研究和开发的见解与最佳实践，使其成为各种视觉 AI 任务的可靠选择。
我们希望这里的资源能帮助您充分利用 YOLOv3。请浏览 Ultralytics 文档获取详细信息（注意：特定的 YOLOv3 文档可能有限，请参考通用的 YOLO 原则），在 GitHub 上提出问题以获得支持，并加入我们的 Discord 社区进行提问和讨论！
如需申请企业许可证，请填写 Ultralytics 许可表格。
我们激动地宣布推出 Ultralytics YOLO11 🚀，这是我们最先进（SOTA）视觉模型的最新进展！YOLO11 现已在 Ultralytics YOLO GitHub 仓库发布，它继承了我们在速度、精度和易用性方面的传统。无论您是处理目标检测、实例分割、姿态估计、图像分类还是旋转目标检测 (OBB)，YOLO11 都能提供在各种应用中脱颖而出所需的性能和多功能性。
立即开始，释放 YOLO11 的全部潜力！访问 Ultralytics 文档获取全面的指南和资源：
# 安装 ultralytics 包
pip install ultralytics
请参阅 Ultralytics 文档，了解使用 Ultralytics 框架进行训练、测试和部署的完整文档。虽然特定的 YOLOv3 文档可能有限，但通用原则仍然适用。请参阅下方为 YOLOv3 概念改编的快速入门示例。
安装
克隆仓库并在 Python>=3.8.0 环境中从 requirements.txt 安装依赖项。确保您已安装 PyTorch>=1.8。（注意：此仓库最初是 YOLOv5 的，依赖项应兼容，但建议针对 YOLOv3 进行专门测试）。
# 克隆 YOLOv3 仓库
git clone https://github.com/ultralytics/yolov3
# 导航到克隆的目录
cd yolov3
# 安装所需的包
pip install -r requirements.txt使用 PyTorch Hub 进行推理
通过 PyTorch Hub 使用 YOLOv3 进行推理。模型如 yolov3.pt、yolov3-spp.pt、yolov3-tiny.pt 可以被加载。
import torch
# 加载 YOLOv3 模型（例如，yolov3, yolov3-spp）
model = torch.hub.load("ultralytics/yolov3", "yolov3", pretrained=True) # 指定 'yolov3' 或其他变体
# 定义输入图像源（URL、本地文件、PIL 图像、OpenCV 帧、numpy 数组或列表）
img = "https://ultralytics.com/images/zidane.jpg" # 示例图像
# 执行推理
results = model(img)
# 处理结果（选项：.print(), .show(), .save(), .crop(), .pandas()）
results.print() # 将结果打印到控制台
results.show() # 在窗口中显示结果
results.save() # 将结果保存到 runs/detect/exp使用 detect.py 进行推理
detect.py 脚本在各种来源上运行推理。使用 --weights yolov3.pt 或其他 YOLOv3 变体。它会自动下载模型并将结果保存到 runs/detect。
# 使用 yolov3-tiny 和网络摄像头运行推理
python detect.py --weights yolov3-tiny.pt --source 0
# 使用 yolov3 在本地图像文件上运行推理
python detect.py --weights yolov3.pt --source img.jpg
# 使用 yolov3-spp 在本地视频文件上运行推理
python detect.py --weights yolov3-spp.pt --source vid.mp4
# 在屏幕截图上运行推理
python detect.py --weights yolov3.pt --source screen
# 在图像目录上运行推理
python detect.py --weights yolov3.pt --source path/to/images/
# 在列出图像路径的文本文件上运行推理
python detect.py --weights yolov3.pt --source list.txt
# 在列出流 URL 的文本文件上运行推理
python detect.py --weights yolov3.pt --source list.streams
# 使用 glob 模式对图像运行推理
python detect.py --weights yolov3.pt --source 'path/to/*.jpg'
# 在 YouTube 视频 URL 上运行推理
python detect.py --weights yolov3.pt --source 'https://youtu.be/LNwODJXcvt4'
# 在 RTSP、RTMP 或 HTTP 流上运行推理
python detect.py --weights yolov3.pt --source 'rtsp://example.com/media.mp4'训练
以下命令展示了如何在 COCO 数据集上训练 YOLOv3 模型。模型和数据集会自动下载。请使用您硬件允许的最大 --batch-size。
# 在 COCO 上训练 YOLOv3-tiny 300 个周期（示例设置）
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov3-tiny.yaml --batch-size 64
# 在 COCO 上训练 YOLOv3 300 个周期（示例设置）
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov3.yaml --batch-size 32
# 在 COCO 上训练 YOLOv3-SPP 300 个周期（示例设置）
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov3-spp.yaml --batch-size 16教程
注意：这些教程主要使用 YOLOv5 示例，但其原理通常适用于 Ultralytics 框架内的 YOLOv3。
- 训练自定义数据 🚀 推荐：学习如何在您自己的数据集上训练模型。
- 获得最佳训练结果的技巧 ☘️：利用专家技巧提高模型性能。
- 多 GPU 训练：使用多个 GPU 加速训练。
- PyTorch Hub 集成 🌟 新增：使用 PyTorch Hub 轻松加载模型。
- 模型导出 (TFLite, ONNX, CoreML, TensorRT) 🚀：将您的模型转换为各种部署格式。
- NVIDIA Jetson 部署 🌟 新增：在 NVIDIA Jetson 设备上部署模型。
- 测试时增强 (TTA)：使用 TTA 提高预测准确性。
- 模型集成：组合多个模型以获得更好的性能。
- 模型剪枝/稀疏化：优化模型的大小和速度。
- 超参数进化：自动找到最佳训练超参数。
- 使用冻结层的迁移学习：高效地将预训练模型应用于新任务。
- 架构总结 🌟 新增：理解模型架构（侧重于 YOLOv3 原理）。
- Ultralytics HUB 训练 🚀 推荐：使用 Ultralytics HUB 训练和部署 YOLO 模型。
- ClearML 日志记录：与 ClearML 集成以进行实验跟踪。
- Neural Magic DeepSparse 集成：使用 DeepSparse 加速推理。
- Comet 日志记录 🌟 新增：使用 Comet ML 记录实验。
我们与领先 AI 平台的关键集成扩展了 Ultralytics 产品的功能，增强了诸如数据集标注、训练、可视化和模型管理等任务。了解 Ultralytics 如何与 Weights & Biases、Comet ML、Roboflow 和 Intel OpenVINO 等合作伙伴协作，优化您的 AI 工作流程。在 Ultralytics 集成 探索更多信息。
| Ultralytics HUB 🌟 | Weights & Biases | Comet | Neural Magic |
|---|---|---|---|
| 简化 YOLO 工作流程：使用 Ultralytics HUB 轻松标注、训练和部署。立即试用！ | 使用 Weights & Biases 跟踪实验、超参数和结果。 | 永久免费，Comet ML 让您保存 YOLO 模型、恢复训练并交互式地可视化预测。 | 使用 Neural Magic DeepSparse 将 YOLO 推理速度提高多达 6 倍。 |
通过 Ultralytics HUB ⭐ 体验无缝的 AI 开发，这是构建、训练和部署计算机视觉模型的终极平台。无需编写任何代码，即可可视化数据集、训练 YOLOv3、YOLOv5 和 YOLOv8 🚀 模型，并将它们部署到实际应用中。使用我们尖端的工具和用户友好的 Ultralytics App，将图像转化为可操作的见解。立即开始您的免费旅程！
YOLOv3 在发布时代表了实时目标检测领域的一大进步。其主要优势包括：
- 提高准确性： 与 YOLOv2 相比，对小目标的检测效果更好。
- 多尺度预测： 在三个不同尺度上检测目标，提高了对各种尺寸目标的性能。
- 类别预测： 使用逻辑分类器预测目标类别，而不是 softmax，允许进行多标签分类。
- 特征提取器： 与 YOLOv2 中使用的 Darknet-19 相比，使用了更深的网络（Darknet-53）。
虽然像 YOLOv5 和 YOLO11 这样的更新模型提供了进一步的改进，但 YOLOv3 仍然是一个坚实且被广泛理解的基准，由 Ultralytics 在 PyTorch 中高效实现。
使用我们预配置的环境快速开始。点击下面的图标查看设置详情。
我们欢迎您的贡献！让 YOLO 模型易于使用且高效是社区共同努力的目标。请参阅我们的贡献指南开始。通过 Ultralytics 调查分享您的反馈。感谢所有为使 Ultralytics YOLO 变得更好而做出贡献的人！
Ultralytics 提供两种许可选项以满足不同需求：
- AGPL-3.0 许可证：一种经 OSI 批准的开源许可证，非常适合学术研究、个人项目和测试。它促进开放合作和知识共享。详情请参阅 LICENSE 文件。
- 企业许可证：专为商业应用量身定制，此许可证允许将 Ultralytics 软件和 AI 模型无缝集成到商业产品和服务中，绕过 AGPL-3.0 的开源要求。对于商业用途，请通过 Ultralytics 许可与我们联系。
有关 Ultralytics YOLO 实现的错误报告和功能请求，请访问 GitHub Issues。有关一般问题、讨论和社区支持，请加入我们的 Discord 服务器！