YOLOv13 ：你所需要知道的一切

YOLOv13 于 2025 年 6 月 21 日和 22 日发布，并显示出 YOLO-verse 中检测模型的明显改进。本文探讨了 YOLOv13 是什么、它带来了哪些功能，以及如果你正在开发图像检测模型，你需要做些什么。

YOLOv13 是什么？

自 2 月份发布 YOLOv12 以来，YOLOv13 是 YOLO-verse 中最新的最先进的图像检测模型。

YOLOv13 由清华大学和 iMoonLab 的研究人员开发，与 YOLOv12 和 YOLOv13 相比，它拥有更高的精度和在 COCO 数据集上更高的 mAP，同时每秒浮点运算次数 (FLOP) 大致相同。虽然它体量小巧，却能在项目中发挥重要作用。

抱歉，那些从事 YOLO-verse 的分割、姿势和分类部分的人，YOLOv13 只是检测模型（希望今后能推出 YOLOv13 检测模型的分割版本）。

YOLOv13 有四种尺寸：N ano、S small、L arge 和 e X tra-large（加粗字母为所需的后缀）。

YOLOv13 有什么特点？

结构和技术

YOLOv13 通过利用和开发三项新技术，能够在大约相同的计算规模下实现较高的准确率：

• 基于 DS 的块（不是新的，但已被利用）：它不是使用混乱的大型卷积，而是分成三个可组织的块，允许多线程和更快的结果（准确性没有变化）
• HyperACE（基于超图的自适应相关增强）：它不是将像素用作特征图中的简单构建块，而是将像素视为顶点，从而实现更好的边缘检测，并在复杂场景中获得更好的性能。
• FullPAD（全管道聚合和分发范例）：它建立在 HyperACE 聚合信息的基础上，可实现更高的性能和梯度传播。

统计和结果

Nano（示例）：

所有模型都有相同的主题：

总体而言，所需的 FLOP 更少（良好），所需的参数也更少（良好）。AP 指标更高（良好）。然而，延迟略高，甚至高于 YOLOv8，这有点不太好。

如何使用 YOLOv13 模型？

您需要从此处手动下载模型。然后，您就可以正常使用 YOLO 进行训练、验证、预测和导出，因为 YOLOv13 是基于 Ultralytics Python 包构建的。

以下是他们提供的代码：

from ultralytics import YOLO
# VALIDATION =============================================
model = YOLO('yolov13{n/s/l/x}.pt')  # Replace with the desired model scale

# TRAINING =============================================
model = YOLO('yolov13n.yaml')

# Train the model
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",
)

# Evaluate model performance on the validation set
metrics = model.val('coco.yaml')

# Perform object detection on an image
results = model("path/to/your/image.jpg")
results[0].show()

# PREDICTION =============================================
model = YOLO('yolov13{n/s/l/x}.pt')  # Replace with the desired model scale
model.predict()

# EXPORT =============================================
model = YOLO('yolov13{n/s/l/x}.pt')  # Replace with the desired model scale
model.export(format="engine", half=True)  # or format="onnx"

我应该尝试 YOLOv13 吗？

是的，即使延迟增加，你也应该尝试一下。有时模型的更高版本可能无法工作，有时则可能工作正常。进一步的训练是必要的，最好比较不同模型的性能，这样你才能知道自己是否获得了最佳结果！

总结

YOLOv13 是一款相当不错的模型，展示了新技术，但感觉和其他模型一样，新技术逐渐被淘汰，延迟仍然在增加。也许我们正处于一个硬件更先进（RTX 5090 来了，呵呵）的情况下，延迟可能不再是问题。我真的很想看到一个延迟更低的模型（准确率下降没关系，但希望有比 YOLOv8n 更好的模型，既要延迟低，又要准确率还行，因为目前我们在这方面只有 YOLOv8n）。