Yolov13论文数据公开：实验原始数据与代码复现指南

2026-02-05 05:06:41作者：蔡丛锟

YOLOv13带来实时目标检测的全新突破，通过超图增强与自适应视觉感知技术，显著提升了复杂场景下的识别精度与鲁棒性。该模型融合前沿论文研究成果，支持高效训练与快速推理，适用于自动驾驶、安防监控、工业检测等多个领域。开源项目提供预训练模型与完整实现代码，助力开发者轻松构建高性能视觉应用，推动目标检测技术迈向新阶段。

项目地址：https://gitcode.com/hf_mirrors/atalaydenknalbant/Yolov13

项目概述

Yolov13是一款基于超图增强自适应视觉感知的实时目标检测模型，通过HyperACE机制和FullPAD范式实现了更高的检测精度和效率。本指南将详细介绍如何获取实验原始数据并复现论文中的关键实验结果。项目提供了四个模型变体：Nano(yolov13n.pt)、Small(yolov13s.pt)、Large(yolov13l.pt)和X-Large(yolov13x.pt)，满足不同场景的需求。

技术背景

HyperACE机制

Hypergraph-based Adaptive Correlation Enhancement（超图自适应关联增强）机制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。该机制采用线性复杂度的消息传递模块，在高阶关联的引导下有效聚合多尺度特征，实现复杂场景的有效视觉感知。

FullPAD范式

Full-Pipeline Aggregation-and-Distribution（全流程聚合与分发）范式利用HyperACE聚合骨干网络的多尺度特征，并在超图空间中提取高阶关联。通过三个独立通道将关联增强特征分别传递到骨干与颈部连接、颈部内部层以及颈部与头部连接，实现全流程的细粒度信息流和表示协同。

实验数据获取

模型权重下载

项目提供的预训练模型权重文件位于当前目录下，包括：

yolov13n.pt：Nano版本，2.5M参数，6.4G FLOPs
yolov13s.pt：Small版本，9.0M参数，20.8G FLOPs
yolov13l.pt：Large版本，27.6M参数，88.4G FLOPs
yolov13x.pt：X-Large版本，64.0M参数，199.2G FLOPs

MS COCO数据集

实验使用的MS COCO数据集需用户自行准备，数据集配置文件可参考官方文档中的说明。

环境搭建

依赖安装

# 创建虚拟环境
conda create -n yolov13 python=3.11
conda activate yolov13

# 安装依赖
pip install -r requirements.txt
pip install -e .

# 安装Flash Attention加速库
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
pip install flash_attn-2.7.3+cu11torch2.2cxx11abiFALSE-cp311-cp311-linux_x86_64.whl

实验复现步骤

模型验证

使用以下代码在COCO数据集上验证模型性能：

from ultralytics import YOLO

# 加载模型，替换{n/s/l/x}选择不同版本
model = YOLO('yolov13n.pt')

# 在验证集上评估模型
metrics = model.val()
print(metrics.box.map)  # 打印mAP50-95
print(metrics.box.map50)  # 打印mAP50
print(metrics.box.map75)  # 打印mAP75

训练复现

以下是复现论文中训练结果的代码示例：

from ultralytics import YOLO

# 加载模型配置文件
model = YOLO('yolov13n.yaml')

# 训练模型，参数与论文保持一致
results = model.train(
  data='coco.yaml',
  epochs=600, 
  batch=256, 
  imgsz=640,
  scale=0.5,  # S:0.9; L:0.9; X:0.9
  mosaic=1.0,
  mixup=0.0,  # S:0.05; L:0.15; X:0.2
  copy_paste=0.1,  # S:0.15; L:0.5; X:0.6
  device="0,1,2,3",
)

推理测试

使用训练好的模型进行目标检测：

from ultralytics import YOLO

# 加载模型
model = YOLO('yolov13n.pt')

# 对图像进行推理
results = model("path/to/your/image.jpg")
results[0].show()  # 显示检测结果

实验结果对比

MS COCO数据集性能

论文中报告的YOLOv13与其他实时目标检测器在MS COCO数据集上的性能对比：

方法	FLOPs (G)	参数 (M)	AP_50:95^val	AP₅₀^val	AP₇₅^val	延迟 (ms)
YOLO11-N	6.5	2.6	38.6	54.2	41.6	1.53
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
YOLO11-S	21.5	9.4	45.8	62.6	49.8	2.56
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

模型导出

将模型导出为ONNX或TensorRT格式，以便在不同平台部署：

from ultralytics import YOLO

model = YOLO('yolov13n.pt')
model.export(format="onnx")  # 导出为ONNX格式
# model.export(format="engine", half=True)  # 导出为TensorRT格式

总结

本指南介绍了Yolov13论文实验数据的获取方法和代码复现步骤。通过使用提供的预训练模型权重和遵循训练配置，可以复现论文中报告的性能结果。项目的技术文档可参考README.md，其中详细描述了模型架构和实验设置。如有问题，欢迎通过项目渠道反馈。

Yolov13