中文 | 한국어 | 日本語 | Русский | Deutsch | Français | Español | Português | Türkçe | Tiếng Việt | العربية

Ultralytics YOLOv3 是由 Ultralytics 开发的一款强大且高效的 计算机视觉 模型。该模型基于 PyTorch 框架构建，扩展了原始的 YOLOv3 架构，以其在 目标检测 方面的速度和精度提升而闻名。它融合了大量研究中的最佳实践与洞见，使其成为各种视觉 AI 应用的理想选择。

如需深入了解，请访问 Ultralytics 文档（虽然 YOLOv3 的专用文档可能有限，但通用的 YOLO 原则同样适用）。如果您需要支持，欢迎在 GitHub 上提交问题；同时，也欢迎您加入我们的 Discord 社区，与大家交流讨论！

如需企业许可，请填写 Ultralytics 许可页面上的表格。

🚀 YOLO11：下一代进化

我们非常高兴地推出 Ultralytics YOLO11 🚀，这是我们最先进的视觉模型的最新成果！现在即可在 Ultralytics YOLO GitHub 仓库 中获取 YOLO11，它延续了我们在速度、精度和用户友好设计方面的传统。无论您从事的是 目标检测、实例分割、姿态估计、图像分类，还是 定向目标检测 (OBB)，YOLO11 都能为现代计算机视觉任务提供所需的性能与灵活性。

立即开始使用 YOLO11，释放其全部潜力吧！访问 Ultralytics 文档 获取全面的指南和资源：

# 安装 ultralytics 包
pip install ultralytics

📚 文档

有关使用 Ultralytics 框架进行训练、测试和部署的完整文档，请参阅 Ultralytics YOLOv3 文档。虽然 YOLOv3 特有的文档可能较为有限，但 YOLO 的通用原则仍然适用。以下是一些针对 YOLOv3 概念改编的快速入门示例。

# 克隆 YOLOv3 仓库
git clone https://github.com/ultralytics/yolov3

# 进入克隆后的目录
cd yolov3

# 安装所需包
pip install -r requirements.txt

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

# 定义输入图像来源（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

# 进行推理
results = model(img)

# 处理结果（选项：.print()、.show()、.save()、.crop()、.pandas()）
results.print()  # 打印结果到控制台
results.show()  # 在窗口中显示结果
results.save()  # 将结果保存到 runs/detect/exp

# 使用 yolov3-tiny 对摄像头视频进行推理
python detect.py --weights yolov3-tiny.pt --source 0

# 使用 yolov3 对本地图像文件进行推理
python detect.py --weights yolov3.pt --source img.jpg

# 使用 yolov3-spp 对本地视频文件进行推理
python detect.py --weights yolov3-spp.pt --source vid.mp4

# 对屏幕截图进行推理
python detect.py --weights yolov3.pt --source screen

# 对包含图像路径的目录进行推理
python detect.py --weights yolov3.pt --source path/to/images/

# 对包含图像路径列表的文本文件进行推理
python detect.py --weights yolov3.pt --source list.txt

# 对包含流 URL 列表的文本文件进行推理
python detect.py --weights yolov3.pt --source list.streams

# 使用 glob 模式对图像进行推理
python detect.py --weights yolov3.pt --source 'path/to/*.jpg'

# 对 YouTube 视频 URL 进行推理
python detect.py --weights yolov3.pt --source 'https://youtu.be/LNwODJXcvt4'

# 对 RTSP、RTMP 或 HTTP 流进行推理
python detect.py --weights yolov3.pt --source 'rtsp://example.com/media.mp4'

# 在 COCO 数据集上训练 YOLOv3-tiny，共 300 个 epoch（示例设置）
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov3-tiny.yaml --batch-size 64

# 在 COCO 数据集上训练 YOLOv3，共 300 个 epoch（示例设置）
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov3.yaml --batch-size 32

# 在 COCO 数据集上训练 YOLOv3-SPP，共 300 个 epoch（示例设置）
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov3-spp.yaml --batch-size 16

🧩 集成

Ultralytics 提供与领先 AI 平台的强大集成，以提升您的工作流，涵盖数据集标注、训练、可视化和模型管理。了解 Ultralytics 如何与 Weights & Biases、Comet ML、Roboflow 和 Intel OpenVINO 等合作伙伴携手，优化您的 AI 项目。更多内容请访问 Ultralytics 集成。

⭐ Ultralytics Platform

借助 Ultralytics Platform⭐，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，并将其部署到实际应用中。利用我们的先进工具和用户友好的 Ultralytics App，将图像转化为可操作的洞察。今天就免费开始您的旅程吧！

🤔 为什么选择 YOLOv3？

YOLOv3 在发布时标志着实时目标检测领域的一次重大飞跃。其主要优势包括：

• 更高的准确性： 相较于 YOLOv2，对小物体的检测能力显著提升。
• 多尺度预测： 能够在三个不同尺度上检测目标，从而在各种尺寸的目标上均表现出色。
• 类别预测： 使用逻辑分类器来预测目标类别，支持多标签分类。
• 特征提取器： 采用更深的网络（Darknet-53），而 YOLOv2 则使用 Darknet-19。

尽管更新的模型如 YOLOv5 和 YOLO11 提供了进一步的改进，但 YOLOv3 仍然是一个可靠且广泛采用的基准，由 Ultralytics 在 PyTorch 中高效实现。

☁️ 运行环境

使用我们预配置的环境，快速入门。点击下方图标查看设置详情。

🤝 贡献

我们欢迎您的贡献！让 YOLO 模型更易用、更高效是一项社区共同的事业。请参阅我们的贡献指南开始参与。您也可以通过Ultralytics 调查分享您的反馈。感谢所有贡献者，让 Ultralytics YOLO 不断进步！

📜 许可证

Ultralytics 提供两种许可证选项，以满足不同需求：

• AGPL-3.0 许可证：这是一份OSI 批准的开源许可证，非常适合学术研究、个人项目和测试。它鼓励开放协作与知识共享。详细信息请参阅LICENSE文件。
• 企业许可证：专为商业应用设计，该许可证允许将 Ultralytics 的软件和 AI 模型无缝集成到商业产品和服务中，同时规避 AGPL-3.0 的开源要求。如需用于商业用途，请通过Ultralytics 许可联系我们。

📧 联系方式

如有关于 Ultralytics YOLO 实现的错误报告或功能请求，请访问Github Issues。如有其他问题、讨论或社区支持需求，请加入我们的Discord 服务器！

YOLOv3 快速上手指南

YOLOv3 是由 Ultralytics 开发的高效目标检测模型，基于 PyTorch 框架。本指南将帮助你快速完成环境配置、安装及基础推理。

1. 环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：>= 3.8.0
• PyTorch 版本：>= 1.8
• 硬件建议：推荐使用 NVIDIA GPU 以加速推理和训练（需安装对应的 CUDA 驱动）

国内加速提示： 建议使用国内镜像源安装依赖，以提升下载速度：

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

2. 安装步骤

克隆仓库

首先从 GitHub 克隆 YOLOv3 官方仓库：

git clone https://github.com/ultralytics/yolov3
cd yolov3

安装依赖

安装项目所需的 Python 依赖包：

pip install -r requirements.txt

3. 基本使用

方式一：使用 PyTorch Hub（最简便）

无需下载代码仓库，直接通过 PyTorch Hub 加载预训练模型进行推理。

import torch

# 加载 YOLOv3 预训练模型 (可选: yolov3, yolov3-spp, yolov3-tiny)
model = torch.hub.load("ultralytics/yolov3", "yolov3", pretrained=True)

# 设置输入源 (可以是图片路径、URL、视频流等)
img = "https://ultralytics.com/images/zidane.jpg"

# 执行推理
results = model(img)

# 查看结果
results.print()   # 在控制台打印检测结果
results.show()    # 弹出窗口显示带标注的图片
results.save()    # 将结果保存至 runs/detect/exp 目录

方式二：使用命令行脚本 (detect.py)

如果你已经克隆了仓库，可以使用自带的 detect.py 脚本对多种数据源进行检测。模型会自动下载。

检测本地图片：

python detect.py --weights yolov3.pt --source img.jpg

调用摄像头实时检测：

python detect.py --weights yolov3-tiny.pt --source 0

检测视频文件：

python detect.py --weights yolov3-spp.pt --source vid.mp4

检测网络视频流 (如 YouTube)：

python detect.py --weights yolov3.pt --source 'https://youtu.be/LNwODJXcvt4'

运行完成后，检测结果默认保存在 runs/detect/ 文件夹中。