YOLO_v3_从零开始教程

Paperspace 教程系列“如何从零开始实现 YOLO v3 目标检测器”（https://blog.paperspace.com/how-to-implement-a-yolo-object-detector-in-pytorch/）的配套代码。

以下是该检测器的典型输出示例 ;)

关于训练代码

此代码仅作为教程系列的配套内容，不会进行更新。如果你想查看持续更新的 YOLO v3 代码，请访问我的另一个仓库：https://github.com/ayooshkathuria/pytorch-yolo-v3

此外，另一个仓库提供了许多自定义选项，而本仓库为了便于读者跟随教程，并未包含这些选项。（我们可不想把读者弄晕吧？）

那么训练代码什么时候会发布呢？我今年五月要完成本科毕业论文，届时会比较忙碌。因此，你可能需要等到五月中旬之后才能看到它。

祝好！

YOLO_v3_tutorial_from_scratch 快速上手指南

本指南基于 Paperspace 教程系列《如何从零实现 YOLO v3 目标检测器》，旨在帮助开发者快速理解 YOLO v3 的核心原理与代码实现。

注意：本仓库代码专为教学演示设计，功能精简且不再更新。若需用于生产环境或需要更多自定义选项，请访问作者维护的活跃版本：pytorch-yolo-v3。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux (推荐 Ubuntu 18.04+)、macOS 或 Windows (需配置 WSL)
• Python 版本：Python 3.6 或更高版本
• 核心依赖：
  • PyTorch (建议版本 1.0+)
  • OpenCV (opencv-python)
  • NumPy
  • Pillow

国内加速建议： 安装 Python 依赖时，推荐使用清华或阿里镜像源以提升下载速度。

安装步骤

1. 克隆项目代码

   git clone https://github.com/ayooshkathuria/YOLO_v3_tutorial_from_scratch.git
   cd YOLO_v3_tutorial_from_scratch
   

2. 安装依赖库

   使用 pip 安装所需库（推荐国内镜像）：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   如果项目中没有 requirements.txt，请手动安装核心依赖：

   pip install torch torchvision opencv-python numpy pillow -i https://pypi.tuna.tsinghua.edu.cn/simple
   

3. 下载预训练权重

   本教程通常需要使用 Darknet 格式的预训练权重文件（如 yolov3.weights）。请从官方来源或教程提供的链接下载，并将其放置在项目根目录或代码指定的路径下。

基本使用

完成环境配置后，您可以运行检测脚本对图片进行目标检测。

单张图片检测示例：

假设您有一张名为 dog-cycle-car.png 的图片位于 data 文件夹中，运行以下命令：

python detect.py --images data --det det --batch_size 1

或者针对单张特定图片：

python detect.py --images data/dog-cycle-car.png --det output_dir

注：具体命令行参数请以 detect.py 文件中的 argparse 定义为准。上述命令为典型用法，执行后将在指定输出目录生成带有检测框的图片。

预期输出： 程序运行结束后，您将看到类似如下效果的处理结果，图中物体被准确框选并标记类别：