YOLOv13学习：基于超图增强自适应视觉感知的实时目标检测

就很快，YOLOv13它又来了。。。

Github仓库：https://github.com/iMoonLab/yolov13
论文：https://arxiv.org/pdf/2506.17733

1.模型概述和结构

1.1 推理速度和精度

• mAP比之前YOLO系列的模型都高
  
• 2.论文中对比了YOLO系列各模型的速度，可以看到速度方面不如yolov8、yolo11
  

1.2 模型结构

• 1.深度可分离卷积（DSConv、DS-Bottleneck、DS-C3k、DS-C3k2）
  

大核卷积：
1.增加感受野：较大的卷积核可以一次性捕获更多的输入信息。比如，3x3卷积核只能捕获局部的信息，而5x5、7x7卷积核可以捕获更大范围的特征。
2.减少层数：使用大核卷积可以减少所需的卷积层数，因为它已经能够捕捉到更大的特征，避免了堆叠多个小核（如多个3x3卷积）的需要。

• 2.HyperACE：基于 Hypergraph 超图增强自适应的功能
  
  根据YOLOv13的网络结构可以看到将P3、P4、P5的特征都送到了超图增强的模块里面，再分别送出对应这三个尺度的特征，然后在不同位置都做了特征融合。

2.模型训练和部署

• 1.预训练模型下载，因为当前只有一个tag，直接下载相应的预训练模型
  
  
• 2.这里以yolov13n.pt为例，通过如下代码将其转为ONNX格式

from ultralytics import YOLO
model = YOLO('yolov13n.pt')  
model.export(format="onnx", half=False) 

通过网络结构可以看到，yolov13和之前的yolo11、yolov8等输入与输出一样，没有变化

• 3.后面的推理和部署可以直接用yolo11的那套代码，无缝衔接
  https://blog.youkuaiyun.com/qq_45445740/article/details/145509386

3.总结

• 1.在推理速度方面，yolov13比不上yolo11、yolov8等，论文显示mAP稍微高点。
• 2.创新方面，深度可分离卷积和基于 Hypergraph 超图增强。
• 3.官方目前只提供了对象检测相关的预训练模型，其他如分割、关键点检测等预训练模型尚未提供，工程化落地目前不太友好。