YOLOv3最全复现代码合集（含TensorFlow/PyTorch和Keras等）

最新推荐文章于 2024-12-13 20:04:18 发布
最新推荐文章于 2024-12-13 20:04:18 发布
阅读量1.1k 收藏 2
点赞数
CC 4.0 BY-SA版权
原文链接：https://cloud.tencent.com/developer/article/1420861
本文汇总了YOLOv3在多种深度学习框架下的复现代码，包括TensorFlow、PyTorch、Keras、Caffe和MXNet，详细列出了各版本是否支持训练及GitHub星级评分。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

转载：https://cloud.tencent.com/developer/article/1420861

重磅！YOLOv3最全复现代码合集（含TensorFlow/PyTorch和Keras等）

 

重磅！YOLO-LITE来了（含论文精读和开源代码）

重磅！MobileNet-YOLOv3来了（含三种框架开源代码）

想想快一年了，YOLOv4 应该快出了吧？！（催一波），CVer 会持续关注 YOLO系列的动态。要知道YOLO系列官方源码都是用 C 语言编写的，代码太"硬"，很多人习惯用Python搞事情，所以网上出现了各种基于 xxx 框架的 YOLOv3复现版本。

Amusi 将基于不同深度学习框架的 YOLOv3 复现代码进行汇总（自认为还不错的复现代码），为了方便各位 CVers 浏览，下述内容已经同步上传至github：

https://github.com/amusi/YOLO-Reproduce-Summary

此次YOLOv3复现代码合集涵盖 5 种常用深度学习框架：

  • TensorFlow
  • PyTorch
  • Keras
  • Caffe
  • MXNet

主要信息有：是否支持训练和 star 星数

TensorFlow

1620uploading.4e448015.gif正在上传…重新上传取消

  1. https://github.com/YunYang1994/tensorflow-yolov3 支持训练(514 star)
  2. https://github.com/mystic123/tensorflow-yolo-v3 不支持训练(446 star)
  3. https://github.com/maiminh1996/YOLOv3-tensorflow 支持训练(246 star)

PyTorch

1620uploading.4e448015.gif正在上传…重新上传取消

  1. https://github.com/ayooshkathuria/pytorch-yolo-v3 不支持训练(1.5k star)
  2. https://github.com/eriklindernoren/PyTorch-YOLOv3 支持训练(1.3k star)
  3. https://github.com/ayooshkathuria/YOLO_v3_tutorial_from_scratch 不支持训练(1k star)
  4. https://github.com/TencentYoutuResearch/ObjectDetectionOneStageDet/tree/master/yolo 支持训练(976 star)
  5. https://github.com/ultralytics/yolov3 支持训练(971 star) 这版都有APP版本了

1620uploading.4e448015.gif正在上传…重新上传取消

  1. https://github.com/BobLiu20/YOLOv3_PyTorch 支持训练(341 star)
  2. https://github.com/DeNA/PyTorch_YOLOv3 支持训练(179 star)

Keras

1620uploading.4e448015.gif正在上传…重新上传取消

  1. https://github.com/qqwweee/keras-yolo3 支持训练(2.8k star)
  2. https://github.com/xiaochus/YOLOv3 不支持训练(418 star)
  3. https://github.com/Adamdad/keras-YOLOv3-mobilenet 支持训练(191 star)

Caffe

1620uploading.4e448015.gif正在上传…重新上传取消

  1. https://github.com/eric612/MobileNet-YOLO 支持训练(301 star)
  2. https://github.com/ChenYingpeng/caffe-yolov3 不支持训练(150 star)
  3. https://github.com/eric612/Caffe-YOLOv3-Windows 支持训练(97 star)

MXNet

1620uploading.4e448015.gif正在上传…重新上传取消

  1. https://github.com/dmlc/gluon-cv/tree/master/gluoncv/model_zoo/yolo 支持训练(2072 star)
CVAIDL
关注
复现 yolov3的代码
qq_20388971的博客
02-17 349
练习
YOLOV3网络搭建 and 代码复现Pytorch and 元器件检测
mcu旺仔acm的博客
07-10 814
YoloV3所使用的主干特征提取网络为Darknet53，它具有两个重要特点： 1、Darknet53具有一个重要特点是使用了残差网络Residual（残差结构可以在"分类"栏中的ResNet中了解）...... 。通过不断的1X1卷积和3X3卷积以及残差边的叠加，我们便大幅度的加深了网络。残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。...
YOLOv3代码复现
The Shawshank Redemption
11-17 3374
1. 数据集：包括数据集选取与数据增强方案确定 笔者使用COCO2014数据集进行Darknet-53的预训练，使用VOC2007+2012的混合数据集进行目标检测的训练[有条件的同学当然也可以使用ImageNet数据集预训练，再用COCO2014进行目标检测的训练]。 笔者这么安排的目的在于，对骨干网络预训练的时候，我们需要训练的是提取特征的能力，因此数据越丰富越好，模型可以从丰富的数据中挖掘共性，提高泛化能力。而在进行目标检测的任务训练时，我们需要借助骨干网络抽取的特...
复现YOLOV3
m0_59161923的博客
07-22 384
接下来，对输入进行形状变换，并进行维度转换。其中的25可以拆分为4+1+20，其中的4代表先验框的调整参数，1代表先验框内是否包含物体，20代表的是这个先验框的种类，由于VOC分了20类，所以这里是20。
yolov3 原理代码复现1
雅痞匪徒(Nike)的博客
04-13 938
## yolov3 整个网络代码复现 2020 4.13 最近学了一下神经网络，将基本的各种网络结构敲出了之后，打算研究一下yolov3，说实话，我本以为网络搭建是最复杂的部分，但是这一周下来，网络搭建部分恰恰是最简单的，因为这部分论文里面有，而且大部分博文都介绍的很详细。其余部分，特别是对loss的处理，花费的时间更多。中间走了很多弯路，有时候看其他人的解析，看他人代码的时候过于大意，导致对有些...
YOLOv3复现
weixin_35728951的博客
03-09 614
最近学习目标检测，准备复现一下YOLOv3,这样的话理解比较深刻，避免空谈，有兴趣和问题的小伙伴可以一起交流。 工程github网址：https://github.com/23matin/YOLOv3
yolov5解读，训练，复现
weixin_51261985的博客
03-28 2274
正文之前： 提一下rectangularup主解释了一下，这是yolov5中为了加快模型训练而采取的一种策略在原来的训练数据过程中，由于每张图片宽和高不相同，而我们会将每张图片shape到一个固定的大小，这样一来，不同尺寸的图片就可以丢到同一个batch中进行训练了。但是有些图片进行resize后会出现黑边，这种黑边会影响我们训练和预测的速度。
经典的YOLOv3和YOLOV5算法详解及代码复现
hasakie的博客
12-13 553
yolov3和yolov5算法详解及代码复现
YOLO复现总结（现基于YOLOv3）.zip
11-26
YOLOv4 √ √ 127pytorch-YOLOv4 √ √ 926yolov4-pytorch √ √ 120TensorFlow项目 推理 火车 星星tensorflow-yolov4-tflite √ √ 464YOLOv4_tensorflow √ √ 116喀拉拉项目 推理 火车 星星keras-YOLOv3-模型集 ...
Keras深度学习框架实战（7）：使用YOLOV8和KerasCV进行高效的图像物体识别
MUKAMO的博客
06-04 1684
本文概述了使用KerasCV库训练YOLOv8目标检测模型的流程。首先，设置环境并准备PASCAL VOC数据集，包括解析注释文件。然后，使用`tf.data` API加载和处理数据，并应用数据增强。在模型构建阶段，配置YOLOv8变体，并编译模型，采用目标检测专用损失函数。训练过程中，利用自定义回调评估和保存最佳模型。最后，提供数据和预测结果的可视化，以评估模型性能。整个流程为训练高效目标检测模型提供了清晰指导，借助KerasCV的迁移学习和可视化工具，使训练过程更加高效和直观。
yolov3源代码
12-03
基于keras的yolov3物体检测源码，可以直接运行使用，用于物体的定位识别。
yolov3复现
qq_43551834的博客
10-08 456
非常详细的教程：https://blog.youkuaiyun.com/qq_45067735/article/details/108014941 有一些值得标注的地方： 运行darknet_ros 执行darknet_ros进行检测，在运行检测之前需要更改一下配置文件，使得darknet_ros订阅的话题与usb_cam发布的图片话题对应。 打开catkin_ws/src/darknet_ros/darknet_ros/config/ros.yaml文件，修改： subscribers: camera_readi
探索YoloV3源码
u010901792的专栏
01-29 8203
文章目录准备数据训练参数创建模型模型优化保存模型学习率早期停止样本数量训练模型入口逻辑网络网络Darknet特征图**13x13检测图****26x26检测图****52x52检测图**真值fit_generator数据生成器图片和标注框真值y_trueLoss损失层参数预测数据损失函数预测**检测函数**YOLO参数输出封装YOLO评估检测方法补充1. IoU2. 冻结网络层3. compose...
pytorch yolov3源码复现。
hanxuwerewolf的博客
05-14 1262
因为平时主要研究检测，所以自己根据已经开源的pytorch的yolov3代码，进行了复现，主要代码并没有更改，而是从一种学习和理解的角度去复现，增加了一些备注（如果问题，欢迎大家指出）。 本文章的开源地址： 参考的开源代码及相关博客： （1）https://github.com/ultralytics/yolov3 （2）https://blog.youkuaiyun.com/sinat_27634939/article/details/89884011 一：代码文件结构 1:加载文件 为了便于自己.
【pytorch】YOLOV3复现
可乐大牛的博客
02-10 1812
文章目录一、准备二、核心点三、实现 一、准备 pytorch文档：https://pytorch.org/docs/stable/index.html YOLOv3论文精讲：https://www.bilibili.com/video/BV1Vg411V7bJ YOLOv3的pytorch复现-学习视频：https://www.bilibili.com/video/BV1Hp4y1y788 YOLOv3的pytorch复现-学习博客：https://blog.youkuaiyun.com/weixin_44791964
显著性目标检测matlab代码_目标检测实战项目「代码实战篇」
weixin_39619481的博客
11-23 681
深度学习的三驾马车：数据、模型、算力。本文将从这三方面，实现 YOLO 目标检测，让自己的数据跑起来数据一个深度学习项目最好的初始状态是拥有漂亮的数据，但是一般情况下很难达到这种条件，往往需要根据自己项目的需求寻找相应的数据。对于目标检测项目来说，漂亮的数据应该是按照规范的标注。那么有数据却没有标注怎么办，我们推荐一款开源的标注工具 LabelImg ，有着方便的 GUI 界面，可以方便打开一个文...
yolov3 原理代码复现3
雅痞匪徒(Nike)的博客
04-14 1042
yolov3代码复现之4预测 在前两篇文章中，我们已经知道网络的结构和怎么求loss，这就代表我们可以来训练模型了，模型训练完后，我们怎么利用现有的模型来预测一张图片呢？这就是我们这篇文章要解决的问题。 首先，我们已经知道了整个网络最后会输出三个尺度的数据，[b, 255, 13, 13],[b, 255, 26, 26], [b, 255, 52, 52],在训练模型的时候，我们需要将这三个尺度...
机器视觉：目标检测之yolov3代码复现(二)
weixin_45776027的博客
01-20 639
Yolov3 关于yolov3网络的详细结构、前向推导、反向传播等细节可以参考我的上一篇文章： https://blog.youkuaiyun.com/weixin_45776027/article/details/112854974 一步一步地教你复现代码（Kears框架) 首先看结构图：yolov3包含了三那个主要模块： 1）集卷积、批归一化、Leakyrelu激活层为一体的DBL模块 2）残差网络结构的resunit模块 3）由填充+DBL+残差组成的resn_body模块 ---------------.
复现yolov11
最新发布
04-03
### 实现 YOLOv1 模型的过程 YOLO (You Only Look Once) 是一种基于单阶段的目标检测算法，其中 YOLOv1 是最早的一个版本。为了从头开始实现 YOLOv1 模型，可以分别采用 PyTorch 和 TensorFlow 来完成。 #### 使用 PyTorch 实现 YOLOv1 以下是使用 PyTorch 构建 YOLOv1 的基本方法： ```python import torch.nn as nn class YOLOv1(nn.Module): def __init__(self, S=7, B=2, C=20): # 默认参数来自原始论文 super(YOLOv1, self).__init__() self.S = S self.B = B self.C = C # 定义卷积层和全连接层 self.features = nn.Sequential( nn.Conv2d(3, 64, kernel_size=7, stride=2), nn.LeakyReLU(0.1), nn.MaxPool2d(kernel_size=2, stride=2), nn.Conv2d(64, 192, kernel_size=3), nn.LeakyReLU(0.1), nn.MaxPool2d(kernel_size=2, stride=2), nn.Conv2d(192, 128, kernel_size=1), nn.LeakyReLU(0.1), nn.Conv2d(128, 256, kernel_size=3), nn.LeakyReLU(0.1), nn.Conv2d(256, 256, kernel_size=1), nn.LeakyReLU(0.1), nn.Conv2d(256, 512, kernel_size=3), nn.LeakyReLU(0.1), nn.MaxPool2d(kernel_size=2, stride=2), # 更多卷积层... ) self.fc_layers = nn.Sequential( nn.Linear(512 * ((S//32)**2), 4096), nn.LeakyReLU(0.1), nn.Dropout(p=0.5), nn.Linear(4096, S*S*(C+B*5)) ) def forward(self, x): x = self.features(x) x = x.view(x.size(0), -1) # 展平特征图 x = self.fc_layers(x) return x.reshape(-1, self.S, self.S, self.C + self.B * 5) model_pytorch = YOLOv1() print(model_pytorch) ``` 上述代码定义了一个简单的 YOLOv1 结构[^1]，并包含了必要的卷积层和全连接层。注意，默认设置 `S=7`, `B=2` 和 `C=20` 对应于 Pascal VOC 数据集中的类别数。 --- #### 使用 TensorFlow 实现 YOLOv1 下面是通过 TensorFlow/Keras 复现 YOLOv1 的方法： ```python from tensorflow.keras.models import Model from tensorflow.keras.layers import Input, Conv2D, MaxPooling2D, Flatten, Dense, Dropout, LeakyReLU def create_yolov1_model(S=7, B=2, C=20): inputs = Input(shape=(448, 448, 3)) x = Conv2D(64, (7, 7), strides=(2, 2), padding='same')(inputs) x = LeakyReLU(alpha=0.1)(x) x = MaxPooling2D(pool_size=(2, 2))(x) x = Conv2D(192, (3, 3), padding='same')(x) x = LeakyReLU(alpha=0.1)(x) x = MaxPooling2D(pool_size=(2, 2))(x) x = Conv2D(128, (1, 1), padding='same')(x) x = LeakyReLU(alpha=0.1)(x) x = Conv2D(256, (3, 3), padding='same')(x) x = LeakyReLU(alpha=0.1)(x) x = Conv2D(256, (1, 1), padding='same')(x) x = LeakyReLU(alpha=0.1)(x) x = Conv2D(512, (3, 3), padding='same')(x) x = LeakyReLU(alpha=0.1)(x) x = MaxPooling2D(pool_size=(2, 2))(x) # 添加更多卷积层... x = Flatten()(x) x = Dense(4096, activation='relu')(x) x = Dropout(0.5)(x) outputs = Dense(S * S * (C + B * 5))(x) model = Model(inputs, outputs) return model model_tensorflow = create_yolov1_model() model_tensorflow.summary() ``` 这段代码展示了如何用 Keras API 建立一个基础的 YOLOv1 模型架构[^2]。它同样遵循了原始论文的设计思路，并调整了一些超参数以适应现代硬件环境。 --- #### 关键点总结 - **网格划分**: 将输入图像划分为 \(S \times S\) 的网格单元格。 - **预测框数量**: 每个网格预测 \(B\) 个边界框及其置信度分数。 - **分类任务**: 额外预测每个网格属于某一类别的概率分布向量长度为 \(C\)。 这些特性共同构成了 YOLOv1 的核心机制[^3]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值