🎯 YOLOv3-VOC

Веса YOLOv3, обученной на Pascal VOC

YOLOv3 weights trained on Pascal VOC

🇷🇺 Русский · 🇬🇧 English

---

🇷🇺 Русская версия

📖 О модели

Веса модели YOLOv3, обученной на Pascal VOC. В качестве backbone использована предобученная модель из библиотеки timm. Сама модель, функция потерь, NMS, метрики и работа с данными находятся в библиотеке Detection_library.

📈 Результаты

Модель	Датасет	Backbone	mAP@0.5
YOLOv3	Pascal VOC (валидация)	предобученный, из timm	0.5468

📦 Файлы

Файл	Размер	Описание
best_model.pth	549 MB	Чекпоинт лучшей модели (веса + состояние обучения)

🗃️ Содержимое чекпоинта

best_model.pth — это словарь, а не просто state_dict. Он сохранялся так, что позволяет как делать инференс, так и продолжить обучение:

Ключ	Что внутри
epoch	Номер эпохи, на которой сохранён чекпоинт
model_state_dict	Веса модели
optimizer_state_dict	Состояние оптимизатора
scheduler_state_dict	Состояние планировщика learning rate
train_loss	Значение train loss (лучшее на момент сохранения)
train_loss_history	История train loss по эпохам
mAP_50_history	История mAP@0.5 на валидации по эпохам
patience	Счётчик терпения для early stopping
anchors	Якоря (anchors), с которыми обучалась модель

Из-за optimizer_state_dict и scheduler_state_dict файл весит заметно больше, чем одни веса модели.

🚀 Как использовать

git clone https://github.com/fffffopas/Detection_library.git
cd Detection_library
pip install torch timm huggingface_hub

Запускать из корня репозитория:

import torch
from huggingface_hub import hf_hub_download

from Education_localization.models.yolov3 import YOLOv3
from Education_localization.utils.nms import nms_yolov3_vectorized

# 1. Скачиваем чекпоинт
path = hf_hub_download(repo_id="danil-ml-2026/YOLOv3-VOC", filename="best_model.pth")

# 2. Загружаем (в чекпоинте есть не только тензоры, поэтому weights_only=False;
#    загружайте только файлы, которым доверяете)
checkpoint = torch.load(path, map_location="cpu", weights_only=False)

anchors = checkpoint["anchors"]
print("Эпоха:", checkpoint["epoch"])
print("Лучший mAP@0.5 в истории:", max(checkpoint["mAP_50_history"]))

# 3. Собираем модель с теми же параметрами, что и при обучении
#    (аргументы конструктора — как в Kaggle-ноутбуке) и загружаем веса
model = YOLOv3(...)
model.load_state_dict(checkpoint["model_state_dict"])
model.eval()

Полный пример инференса с визуализацией на изображениях, а также код обучения и валидации — в Kaggle-ноутбуке.

🔗 Ссылки

• 💻 Код библиотеки: fffffopas/Detection_library
• 📓 Обучение, валидация и примеры на изображениях: Kaggle

---

🇬🇧 English version

📖 About

Weights of a YOLOv3 model trained on Pascal VOC. The backbone is a pretrained model from the timm library. The model itself, the loss, NMS, metrics and data handling live in the Detection_library repository.

📈 Results

Model	Dataset	Backbone	mAP@0.5
YOLOv3	Pascal VOC (validation)	pretrained, from timm	0.5468

📦 Files

File	Size	Description
best_model.pth	549 MB	Best-model checkpoint (weights + training state)

🗃️ Checkpoint contents

best_model.pth is a dictionary, not a bare state_dict. It supports both inference and resuming training:

Key	Contents
epoch	Epoch at which the checkpoint was saved
model_state_dict	Model weights
optimizer_state_dict	Optimizer state
scheduler_state_dict	Learning-rate scheduler state
train_loss	Train loss value (best at the time of saving)
train_loss_history	Train loss history per epoch
mAP_50_history	Validation mAP@0.5 history per epoch
patience	Early-stopping patience counter
anchors	Anchors the model was trained with

Because of optimizer_state_dict and scheduler_state_dict, the file is considerably larger than the model weights alone.

🚀 Usage

git clone https://github.com/fffffopas/Detection_library.git
cd Detection_library
pip install torch timm huggingface_hub

Run from the repository root:

import torch
from huggingface_hub import hf_hub_download

from Education_localization.models.yolov3 import YOLOv3
from Education_localization.utils.nms import nms_yolov3_vectorized

# 1. Download the checkpoint
path = hf_hub_download(repo_id="danil-ml-2026/YOLOv3-VOC", filename="best_model.pth")

# 2. Load it (the checkpoint holds more than tensors, hence weights_only=False;
#    only load files you trust)
checkpoint = torch.load(path, map_location="cpu", weights_only=False)

anchors = checkpoint["anchors"]
print("Epoch:", checkpoint["epoch"])
print("Best mAP@0.5 in history:", max(checkpoint["mAP_50_history"]))

# 3. Build the model with the same arguments as during training
#    (constructor arguments as in the Kaggle notebook) and load the weights
model = YOLOv3(...)
model.load_state_dict(checkpoint["model_state_dict"])
model.eval()

A full inference example with visualizations on images, as well as the training and validation code, is in the Kaggle notebook.

🔗 Links

• 💻 Library code: fffffopas/Detection_library
• 📓 Training, validation and image examples: Kaggle

---

⬆️ Наверх / Back to top