ultralytics/yolov3

ultralytics/yolov3 has 10,637 GitHub stars and 3,411 forks. GitHot measured +1 stars in 24 hours, +4 in 7 days, and +10 in 15 days. Last checked 2026-11-11 08:17 UTC. Last push 2026-11-01.

这些数字如何统计

用于实时目标检测的 YOLOv3、YOLOv3-SPP 和 YOLOv3-tiny 的 PyTorch 实现，支持训练、验证、推理和多格式导出。

10,637 星标 3,411 forks +1 24小时

实测星标增长

24小时: +1
7天: +4
15天: +10
1个月: 更新延迟

各周期内的星标净变化，周期相互重叠，并非每日新增。缺失的测量保持空白。星标代表关注度，不代表软件质量。

README.zh-CN.md

原文

Ultralytics YOLOv3 是 YOLOv3（You Only Look Once，第 3 版）实时目标检测模型的 PyTorch 实现。YOLOv3 将检测视为单一回归问题，在一次前向传播中直接从整幅图像预测边界框和类别概率，因而快速、准确，且易于训练和部署。

本仓库提供三款经典的 YOLOv3 检测模型——YOLOv3、YOLOv3-SPP 和 YOLOv3-tiny——并配套训练、验证、推理和导出工具，同时复用 ultralytics 包中的共享工具。

详细指南请参阅 Ultralytics YOLOv3 文档。如需支持，请提交 GitHub Issue，并欢迎加入 Discord、Reddit 和 Ultralytics 论坛参与讨论。

如需商业使用，请通过 Ultralytics 许可申请企业许可证。

📚 文档

完整文档请参阅 Ultralytics YOLOv3 文档。以下快速入门示例涵盖本仓库的安装、推理和训练。

安装

在 Python>=3.8.0 环境（已安装 PyTorch>=1.8）中克隆仓库并从 requirements.txt 安装依赖。

# 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 可直接加载 YOLOv3，权重在首次使用时自动下载。

import torch

# 加载 YOLOv3 模型 (可选: 'yolov3'、'yolov3_spp'、'yolov3_tiny')
model = torch.hub.load("ultralytics/yolov3", "yolov3", pretrained=True)

# 对图像进行推理 (本地文件、URL、PIL 图像、OpenCV 帧或 numpy 数组)
results = model("https://ultralytics.com/images/zidane.jpg")

# 查看结果
results.print()  # 在控制台打印检测结果
results.show()  # 显示标注后的图像
results.save()  # 将标注图像保存到 runs/detect/exp

使用 detect.py 进行推理

detect.py 支持多种输入源推理，自动下载模型并将结果保存至 runs/detect。

python detect.py --weights yolov3.pt --source 0                              # 摄像头
python detect.py --weights yolov3.pt --source img.jpg                        # 图像
python detect.py --weights yolov3.pt --source vid.mp4                        # 视频
python detect.py --weights yolov3.pt --source screen                         # 屏幕截图
python detect.py --weights yolov3.pt --source path/                          # 目录
python detect.py --weights yolov3.pt --source 'path/*.jpg'                   # glob 匹配
python detect.py --weights yolov3.pt --source 'rtsp://example.com/media.mp4' # RTSP、RTMP、HTTP 流

训练

在 COCO 数据集上训练 YOLOv3。模型和数据集会自动下载。请根据硬件选择尽可能大的 --batch-size。

# 训练 YOLOv3-tiny
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov3-tiny.yaml --batch-size 64

# 训练 YOLOv3
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov3.yaml --batch-size 32

# 训练 YOLOv3-SPP
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov3-spp.yaml --batch-size 16

使用 python val.py --weights yolov3.pt --data coco.yaml 验证精度，并使用 python export.py --weights yolov3.pt --include onnx 导出为其他格式（TorchScript、ONNX、OpenVINO、TensorRT、CoreML、PaddlePaddle）。

教程

以下指南基于 Ultralytics 通用训练框架，同样适用于 YOLOv3：

训练自定义数据 — 在自有数据集上训练。
最佳训练技巧 — 充分发挥训练效果。
多 GPU 训练 — 跨 GPU 扩展训练。
PyTorch Hub 加载 — 以编程方式加载模型。
模型导出 — 部署到 ONNX、TensorRT、CoreML 等。
测试时增强 (TTA) — 提升推理精度。
模型集成 — 融合多个模型以获得更好结果。
超参数调优 — 自动调优超参数。
冻结层迁移学习 — 高效迁移预训练模型。

🧠 架构

YOLOv3 的检测能力建立在几个核心思想之上，使其兼具准确与高效：

Darknet-53 主干 — 53 层卷积特征提取网络，带有残差（跳跃）连接；比 YOLOv2 的 Darknet-19 主干更深、更准确，同时保持高效。
多尺度检测 — 采用类特征金字塔的设计（上采样并拼接较早的特征图），在三个特征图尺度上进行预测，从而很好地检测大、中、小目标。
锚框 — 边界框相对于由维度聚类得到的锚框先验进行预测，每个尺度三个锚框（共九个），并使用 sigmoid 偏移参数化以稳定训练。
独立类别预测 — 每个类别使用独立的逻辑分类器而非 softmax 进行打分，因此单个框可携带多个互不排斥的标签。

本仓库提供该架构的三种变体：

YOLOv3 — 完整的 Darknet-53 模型；速度与精度的最佳平衡。
YOLOv3-SPP — 增加空间金字塔池化模块，在多个核大小上池化特征，扩大有效感受野并小幅提升精度。
YOLOv3-tiny — 紧凑主干、两个尺度检测，针对以速度为先的 CPU 和边缘设备优化。

模型在 models/*.yaml 中以声明式定义，并由 models/yolo.py 中的 parse_model() 构建，因此无需编写 Python 即可查看和修改架构。

🏋️ 预训练权重

三款模型均在 COCO（80 类）上训练，并在首次使用时从 YOLOv3 版本资源自动下载。

模型	说明
yolov3-tiny.pt	轻量的两尺度模型——最快的选择，适合 CPU 和边缘设备。
yolov3.pt	原始 Darknet-53 模型——速度与精度的有力平衡。
yolov3-spp.pt	增加空间金字塔池化，扩大感受野并提升精度。