yolov13官方源码地址：https://github.com/iMoonLab/yolov13 

yolov13来了，附带官方下载地址！_目标检测

该项目于 2025 年 6 月 21 日开源代码，6 月 22 日发布模型权重，属于社区开发的衍生版本（非 Ultralytics 官方版本）。以下是关于该版本的详细说明：

一、YOLOv13 的核心技术创新

1. HyperACE：基于超图的自适应关联增强

  • 技术原理：将多尺度特征图中的像素视为超图顶点，通过可学习的超边构建模块自适应探索顶点间的高阶关联，再利用线性复杂度的消息传递模块聚合特征，提升复杂场景下的视觉感知能力。
  • 作用：强化不同尺度特征间的语义关联，尤其对小目标和密集目标检测效果显著。

2. FullPAD：全流程聚合 - 分布范式

  • 技术原理：通过 HyperACE 聚合骨干网络的多尺度特征，再通过三条独立 “隧道” 将增强后的特征分别传递到骨干与颈部、颈部内部、颈部与头部的连接处，实现全流程细粒度信息流协同。
  • 作用：改善梯度传播效率，提升模型整体检测性能。

3. 轻量级卷积替换

  • 技术原理：使用深度可分离卷积（DSConv、DS-Bottleneck 等）替代大核卷积，在保持感受野的同时大幅减少参数和计算量。微智启软件工作室。
  • 效果：推理速度提升的同时不牺牲精度，适合实时应用场景。

二、与其他 YOLO 版本的性能对比（MS COCO 数据集）

方法

FLOPs (G)

参数 (M)

AP₅₀:₉₅

AP₅₀

AP₇₅

延迟 (ms)

YOLOv8-N

8.7

3.2

37.4

52.6

40.5

1.77

YOLOv12-N

6.5

2.6

40.1

56.0

43.4

1.83

YOLOv13-N

6.4

2.5

41.6

57.8

45.1

1.97

YOLOv8-S

28.6

11.2

45.0

61.8

48.7

2.33

YOLOv12-S

21.4

9.3

47.1

64.2

51.0

2.82

YOLOv13-S

20.8

9.0

48.0

65.2

52.0

2.98


  • 关键结论：YOLOv13 在参数量和计算量（FLOPs）略低于前代版本的情况下，多项检测指标（AP₅₀:₉₅、AP₅₀等）显著提升，尤其在小模型（Nano、Small）上优势更明显，但延迟略有增加（因超图计算引入额外开销）。

三、项目结构与使用方式

1. 仓库文件结构

  • 核心模块：ultralytics 文件夹包含模型实现代码，requirements.txt 列出依赖项（需 Python 3.11、Flash Attention 等）。
  • 实用资源：examples 提供使用示例，paper-yolov13.pdf 可下载论文，tests 包含测试脚本。

2. 快速上手步骤

# 1. 安装依赖（需先安装CUDA 11+和PyTorch 2.2）
wget https://github.com/Dao-AILab/flash-attention/releases/download/v2.7.3/flash_attn-2.7.3+cu11torch2.2cxx11abiFALSE-cp311-cp311-linux_x86_64.whl
conda create -n yolov13 python=3.11
conda activate yolov13
pip install -r requirements.txt
pip install -e .

# 2. 验证模型（以Nano为例）
from ultralytics import YOLO
model = YOLO('yolov13n.pt')
model.val('coco.yaml')

# 3. 训练模型（配置可根据n/s/l/x调整）
model = YOLO('yolov13n.yaml')
results = model.train(data='coco.yaml', epochs=600, batch=256, imgsz=640)


该仓库的特点

根据 GitHub 页面显示，这个 “YOLOv13” 声称有以下改进：

  1. 多模态支持：融合图像、点云、文本等多种输入
  2. 统一检测框架：支持目标检测、实例分割、全景分割
  3. 优化的模型架构：引入新的注意力机制和特征融合方法
  4. 工业级部署：提供 TensorRT、ONNX 等加速支持