yolov3

用PyTorch训练和部署YOLOv3，实现实时目标检测

这是一个基于PyTorch实现的YOLOv3目标检测项目，支持YOLOv3、YOLOv3-SPP和YOLOv3-tiny三种模型。它解决了从模型训练到部署的全流程问题，提供了完整的训练、验证、推理和导出功能。核心能力包括：支持自定义数据集训练、多格式模型导出（ONNX、CoreML、TensorRT）、边缘设备部署优化，以及实时目标检测推理。项目代码结构清晰，适合学习YOLOv3原理和进行二次开发，也适合在资源受限的嵌入式设备上运行轻量级检测模型。

开源 free 计算机视觉

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 10610

维护状态较活跃

是否开源是

定价模式 free

项目数据

分类计算机视觉

开发团队ultralytics

所属国家

官网地址https://docs.ultralytics.com/models/yolov3

GitHubhttps://github.com/ultralytics/yolov3

定价模式free

价格说明开源项目，基于AGPL-3.0许可证，可免费使用、修改和分发，无付费版本。

访问状态

是否开源是

开源协议AGPL-3.0

主要语言Python

技术栈/模型computer-vision,coreml,deep-learning,edge-ai,inference,model-export,model-training,object-detection,onnx,pytorch,tensorrt,ultralytics,yolo,yolov3

GitHub 星标★ 10610

30天Star增速

HF 下载量

上线时间2018-08-26 00:00:00

最近更新2026-09-22 00:00:00

维护状态较活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-10

浏览次数4

使用教程

难度：入门约 10 分钟部署方式：库/依赖 4 步

环境要求

已安装 Python 及 pip（可用 pip 安装依赖）
已安装 PyTorch（README 通过 torch.hub 加载模型）
网络可访问，首次使用时模型权重会自动下载

安装与启动步骤

1克隆项目仓库

从 GitHub 拉取 ultralytics/yolov3 源码，也可直接从 PyTorch Hub 加载而跳过此步。
```
git clone https://github.com/ultralytics/yolov3.git
```
2安装依赖包

进入项目目录，按 README 给出的方式安装 requirements.txt 中的依赖。
```
cd yolov3
pip install -r requirements.txt
```
3通过 Hub 加载模型

README 说明可用 PyTorch Hub 直接加载 YOLOv3，权重首次使用时自动下载。
```
python -c "import torch; model = torch.hub.load('ultralytics/yolov3', 'yolov3'); print(model)"
```

4运行图片推理

对本地文件、URL、PIL 图像、OpenCV 帧或 numpy 数组执行推理，示例用官方图片 URL。

python -c "import torch; model = torch.hub.load('ultralytics/yolov3', 'yolov3'); results = model('https://ultralytics.com/images/zidane.jpg'); print(results)"

如何确认成功

命令能正常输出模型信息与推理结果，且首次运行自动下载权重完成，即表示加载与推理成功。

常见问题

Q：需要手动下载模型权重吗？

A：不需要。README 说明通过 PyTorch Hub 加载时，权重会在首次使用时自动下载。

Q：推理输入支持哪些格式？

A：README 指出可以是本地文件、URL、PIL 图像、OpenCV 帧或 numpy 数组。

Q：有官方 Docker 镜像吗？

A：README 徽章显示 Docker Hub 上存在官方镜像 ultralytics/yolov3，具体用法请以官方文档为准。

Q：训练与模型导出（ONNX/TensorRT 等）怎么做？

A：README 节选中未给出相关命令，请查阅官网文档 docs.ultralytics.com 获取训练与导出说明。

注意事项

README 节选仅提供了 pip install -r requirements.txt 这一条安装命令，其余步骤仅供参考。
requirements.txt 中的具体依赖与 Python 版本未在节选中列出，安装失败时请查阅官方文档。
项目支持 YOLOv3、YOLOv3-SPP、YOLOv3-tiny 三种模型，具体加载参数以官方文档为准。

核心亮点

完整覆盖训练、验证、推理、导出全流程，开箱即用
支持ONNX、CoreML、TensorRT多格式导出，便于跨平台部署
包含SPP和tiny变体，兼顾精度与速度，适合边缘设备

不足之处

YOLOv3模型本身较老，精度不如YOLOv5/v8等新版本
文档/社区待观察

适用场景

实时视频流中的目标检测
嵌入式设备（如树莓派）上的轻量检测
教学和科研中学习YOLO系列算法

替代项目

ultralytics/yolov5、ultralytics/ultralytics、pjreddie/darknet

项目介绍

yolov3 是计算机视觉领域的开源项目，由 ultralytics 开发，2018 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（10,610）位列前 5%，在计算机视觉分类的 447 个项目里位列前 5%。

近 41 天，它的 GitHub 星标从 10,589 增加到 10,610，净增 21。

项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-22。基于AGPL-3.0许可证，可免费使用、修改和分发，无付费版本。

它主要面向的使用场景是：实时视频流中的目标检测。同类可对比的替代方案包括 ultralytics/yolov5、ultralytics/ultralytics、pjreddie/darknet。

上一篇：yolov5

下一篇：xview-yolov3