ultralytics/yolov3

📦 什么是 Ultralytics YOLOv3？

Ultralytics YOLOv3 是经典 YOLOv3 目标检测模型的开源 PyTorch 实现。它允许您在自己的数据或 COCO 基准上对三种现成的变体——YOLOv3、YOLOv3‑SPP 和 YOLOv3‑tiny——进行 训练、验证、推理和导出。

---

🚀 主要功能（如 README 所述）

功能	详情
实时单阶段检测	一次前向传播即可生成边界框和类别概率。
三种模型尺寸	• YOLOv3 – 完整的 Darknet‑53 主干网络（速度/精度最佳平衡）
• YOLOv3‑SPP – 添加空间金字塔池化以略微提升精度
• YOLOv3‑tiny – 轻量级，双尺度模型，适用于 CPU/边缘设备。
多尺度预测	通过三个特征图尺度检测小、中、大物体。
多标签支持	独立的逻辑分类器允许重叠的类别标签。
导出到多种格式	通过 export.py 支持 TorchScript、ONNX、OpenVINO、TensorRT、CoreML、PaddlePaddle。
集成支持	与 Weights & Biases、Comet ML、Roboflow、Intel OpenVINO 以及云笔记本（Colab、Kaggle、Gradient、Docker、SageMaker、GCP 等）兼容。
预训练 COCO 检查点	自动下载（yolov3.pt、yolov3‑spp.pt、yolov3‑tiny.pt）。
训练工具	提供 train.py、val.py、detect.py 脚本；支持超参数调优、多 GPU、测试时增强、集成。

---

🛠️ 快速入门（来自 README 的快速启动）

# 克隆并安装
git clone https://github.com/ultralytics/yolov3
cd yolov3
pip install -r requirements.txt   # Python ≥3.8, PyTorch ≥1.8

通过 PyTorch Hub 进行推理

import torch
model = torch.hub.load('ultralytics/yolov3', 'yolov3', pretrained=True)  # 或 yolov3_spp / yolov3_tiny
results = model('https://ultralytics.com/images/zidane.jpg')
results.print()   # 控制台输出
results.show()    # 弹窗显示
results.save()    # 保存到 runs/detect/exp

使用内置脚本进行推理

python detect.py --weights yolov3.pt --source 0          # 摄像头
python detect.py --weights yolov3.pt --source img.jpg    # 单张图像
python detect.py --weights yolov3.pt --source vid.mp4    # 视频文件

在 COCO 上训练（将 --weights '' 替换为从头开始）

python train.py --data coco.yaml --epochs 300 --weights '' \
    --cfg yolov3.yaml      --batch-size 32   # 完整模型
python train.py --data coco.yaml --epochs 300 --weights '' \
    --cfg yolov3-tiny.yaml --batch-size 64   # 轻量模型

验证和导出：

python val.py --weights yolov3.pt --data coco.yaml
python export.py --weights yolov3.pt --include onnx   # 添加 torchscript、openvino 等

---

📚 文档与帮助

• 完整文档： https://docs.ultralytics.com/models/yolov3
• README 中链接了教程（自定义数据、多 GPU、TTA、集成、超参数调优等）。
• 通过 GitHub Issues、Discord、Reddit 和 Ultralytics 论坛获取社区支持。

---

📄 许可证

• AGPL‑3.0：用于开源用途（研究、非商业用途）。
• 企业许可证：商业产品可用。

---

🎯 谁会使用它？

• 需要一个清晰基准进行目标检测的研究人员。
• 在 GPU、CPU 或边缘设备上构建实时检测应用的开发者。
• 希望使用单一代码库完成训练、推理和部署格式导出的团队。

---

• 上述所有信息均直接来自仓库的 README；未推断任何额外功能。*