YOLOv3 模型在 PyTorch 中的实现

在计算机视觉领域，高质量的数据是训练高效模型的关键。之前在 Keras 中实现了YOLOv3模型，但收到了许多关于在PyTorch中支持 YOLOv3 的请求。为了满足这一需求，引入了由 Ultralytics 团队开发的 PyTorch 版本的 YOLOv3 实现。

最新更新是 YOLO v5 的发布，它在性能上超越了YOLOv3，并且能够更快地在自定义数据上训练模型。建议跳过本文，直接查看 YOLOv5 教程，这样可以在几分钟内训练出 YOLOv5 模型。

今天，介绍了PyTorch实现的 YOLOv3 模型。在初步测试中，这个实现甚至比之前的版本表现得更好。实际上，在 Google Colab 上进行 300 个训练周期，耗时略超过一小时，模型在（具有挑战性的）12 类国际象棋棋子识别任务上达到了 0.93+ 的召回率和 0.978 mAP@50。

如果目前正在使用YOLOv3TensorFlow 实现，建议尝试使用新的笔记本来获得结果。以下是在国际象棋数据集上测试 YOLOv3 的结果。

用户指南：训练自定义PyTorch模型。如果是现有的 Roboflow 用户，并且已经上传了目标检测数据集，使用 PyTorch 实现来训练模型是非常简单的事情。转到想要使用的版本。在导出时，选择 "YOLO Darknet Weights"，复制 Roboflow 为生成的下载代码，并将它们粘贴到 PyTorch 笔记本中标记为 # REPLACE THIS LINK WITH YOUR OWN 的单元格中。