ultralytics/yolov3

项目概览

该项目在单一实现中覆盖了从自定义数据集训练到多格式模型导出的完整流程，并提供 COCO 预训练模型自动下载，支持图像、视频和网络摄像头等多种输入源的实时检测推理。

项目类型

模型运行 · 图像视觉 · 视频技术 · 模型开发

部署方式

查看项目说明

License

AGPL-3.0

适合谁

• 需要在自定义数据集或 COCO 上训练 YOLOv3 模型并导出为多种推理格式的开发者、AI 工程师和研究人员。

核心能力

• 支持对图像、视频、网络摄像头和流媒体等多种来源进行推理，通过单次前向传播直接从完整图像预测边界框和类别概率。
• 支持在自定义数据集或 COCO 数据集上训练 YOLOv3 变体，可配置训练轮数和批量大小。
• 支持将训练后的模型导出为 TorchScript、ONNX、OpenVINO、TensorRT、CoreML 和 PaddlePaddle 等格式。
• 通过 val.py 在 COCO 等数据集上验证模型的准确率。
• 提供在 COCO 数据集上训练的 YOLOv3、YOLOv3-SPP 和 YOLOv3-tiny 预训练模型，首次使用时自动下载。

限制与风险

• 项目采用 AGPL-3.0 许可证，若在商业用途中不履行 AGPL 义务，需要获取 Enterprise License。
• 在使用允许的最大批量大小时，训练过程需要大量硬件资源。

如何开始

• 克隆仓库后运行 pip install 安装依赖即可完成设置；安装过程简单，首次使用预训练模型时权重文件会自动下载。

核验依据

• GitHub 项目简介: PyTorch implementation of YOLOv3, YOLOv3-SPP, and YOLOv3-tiny for real-time object detection with training, validation, inference, and multi-format export.
• README: Clone the repository and install the dependencies from `requirements.txt` in a [**Python>=3.8.0**](https://www.python.org/) environment with [**PyTorch>=1.8**](https://pytorch.org…
• README: For commercial use, this license allows integration of Ultralytics software and models into commercial products without AGPL-3.0 obligations.
• README: results.save() # save the annotated image to runs/detect/exp
• README: `detect.py` runs inference on a wide range of sources, downloading models automatically and saving results to `runs/detect`.

内容核验时间：