YOLOv13安装及运行，手把手带全程！

最新推荐文章于 2025-10-20 06:08:22 发布

原创最新推荐文章于 2025-10-20 06:08:22 发布 · 902 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#YOLO

YOLO系列专栏收录该内容

1 篇文章

订阅专栏

该文章已生成可运行项目，

部署运行你感兴趣的模型镜像

1.下载地址

2.创建环境

3.安装完成后激活环境

conda activate yolov13

进入yolov13-main目录，我的文件在d盘，所以先切换根目录。

4.搭建环境

安装pytorch

pip install torch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 -f https://mirrors.aliyun.com/pytorch-wheels/cu121

5.下载flash_attn包的whl文件，将其放在yolov13-main文件夹内

https://github.com/kingbri1/flash-attention/releases/download/v2.5.9.post1/flash_attn-2.5.9.post1+cu122torch2.3.1cxx11abiFALSE-cp311-cp311-win_amd64.whl

6.安装flash_attn包的whl文件

pip install flash_attn-2.5.9.post1+cu122torch2.3.1cxx11abiFALSE-cp311-cp311-win_amd64.whl

7.安装requirements.txt文件的环境

pip install -r requirements.txt

8.编译文件

pip install -e .

编译成功就会像下面这样

9.数据集设计就是常规的yolo数据集，目录结构如下

10.数据集配置文件如下

path: D:\cs_work\PycharmProjects\dataHandle\data\raw_breast_data\split_dataset\DDSM-inbreast
train:
  - images/train
val:
  - images/val

names:
  0: tumour

11.为编译器增加我们创建好的yolov13解释器

12.在运行程序之前，先打开requirements.txt，如果有缺少的依赖或者版本存在问题的就按照pycharm的指示进行安装或更新。

13.训练文件代码如下，仅供参考！值得注意的是我是没有加载预训练模型的！这部分根据个人需求来设计。

from torch.optim import AdamW
from ultralytics import YOLO

# 定义要测试的模型版本
yolo_versions = [
    # "yolo12.yaml"
    # "yolo12_ddsm_vindr-MCAM.yaml",
    # "yolo12_ddsm_vindr-A2C2f_MCAM.yaml"
    # "yolo12_ddsm_vindr-SPDConv.yaml"
    # "yolov12-BiFormer.yaml",
    # "yolov12-A2C2f_BiFormer.yaml"
    # "yolov12-A2C2f_AssemFormer.yaml"
    # "yolo12-PConv.yaml"
    # "yolo12-AsymFusion.yaml"
    "yolov13.yaml"
]

# 遍历每个模型版本，进行训练
for version in yolo_versions:
    print(f"正在训练模型：{version}")

    # 加载 YOLO 模型，不加载预训练权重
    model = YOLO(version)

    # 训练模型
    results = model.train(
        data="a_data.yaml",
        epochs=300,
        imgsz=640,
        batch = 4,
        device=[0],  # 使用 GPU 0
        workers=0,
        cache=True,
        lr0 = 0.001,
        lrf = 0.1,
        optimizer='AdamW',
        close_mosaic=0,
        rect=True,
        save_period=1,
        pretrained=False,  # ⚠ 这里不加载预训练模型
        project='results/train/origin',    # 设定保存结果的文件夹路径
        name=f'{version.split(".")[0]}',  # 每个版本单独存储
    )

    print(f"✅ 模型 {version} 训练完成，结果已保存！\n\n")

14.训练过程展示