叕上新了 | YOLO13正式发布！

YOLO13架构

YOLOv13模型首先通过主干网络提取多尺度特征图[B1,B2,B3,B4,B5]，其架构虽与先前工作类似，但创新性地采用我们提出的轻量化DS-C3k2模块替代了传统大核卷积。

与传统YOLO方法直接将[B3,B4,B5]输入颈部网络不同，模型通过以下三阶段革新流程实现性能突破：

超图关联增强阶段

将多尺度特征输入HyperACE模块自适应建立跨尺度/跨位置的高阶特征关联模型完成特征增强与空间依赖关系建模全流程特征分发阶段

通过FullPAD范式的三条独立隧道

隧道1：主干-颈部连接层隧道2：颈部网络内部各层级隧道3：颈部-检测头衔接层

实现关联增强特征的精准定向分发

检测输出阶段经优化后的颈部网络输出特征图馈入检测头最终完成多尺度目标检测任务

YOLO13创新与改进

传统YOLO系列遵循"主干网络→颈部网络→检测头"（Backbone→Neck→Head）的计算范式，这种架构本质上限制了信息流的充分传递。相比之下，YOLO13通过基于超图的自适应关联增强机制（HyperACE）实现了全流程特征聚合-分发范式（FullPAD），对传统YOLO架构进行了升级。

01

创新

该创新设计实现了两大突破：

细粒度信息流：在网络全域实现微观尺度的特征交互

表征协同效应：通过层级间的深度耦合增强特征表达能力

这种架构优势带来双重收益：

改善梯度传播效率

显著提升检测性能（实验数据表明mAP提升1.5%-3.0%）

02

改进

基于超图的自适应关联增强机制（HyperACE）自适应挖掘潜在高阶关联，突破传统方法仅限于基于超图计算的成对关联建模局限，实现高效的全局跨位置、跨尺度特征融合与增强。

全流程聚合-分发范式（FullPAD）

基于HyperACE构建，通过向全流程分发关联增强特征，实现细粒度信息流与网络整体表征协同，深度可分离卷积优化，用深度可分离卷积替代传统大核卷积设计系列模块，在保持性能的同时显著降低参数量和计算复杂度。

实验对比

在MS COCO基准测试中：

YOLOv13-N较YOLOv11-N提升mAP 3.0%

较YOLOv12-N提升mAP 1.5%

以更少参数量和FLOPs实现当前最优性能

模型推理演示

论文地址：

https://arxiv.org/pdf/ 2506. 17733

代码地址：

https://github.com/iMoonLab/yolov13

下载PT格式模型，导出为ONNX格式支持如下：

fromultralytics importYOLO model = YOLO( 'yolov13n.pt') # Replace with the desired model scalemodel.export( format= "onnx", half= True)

CPU,OpenVINO2025 异步流水线 推理运行：

GPU +TensorRT10.8

转为engine文件trtexec.exe --onnx=yolov13n.onnx --saveEngine=yolov13n.engine

OpenVINO2025

深度学习与大模型部署实战教程

相关知识

“一站式”学生社区｜又双叒叕上新了！
最新发布！17个新职业、42个新工种，正式发布！
尔滨把冻梨做出花来了 哈尔滨又双叒叕整新活儿
【正式发布！#成都世...
17个新职业、42个新工种，正式发布！
《“智能新物种”未来企业进化蓝图—智谱GLM白皮书》正式发布
watchOS 10 今日正式发布
第七批新职业正式发布 包括17个新职业、42个新工种
海南热带雨林国家公园标识正式发布
《中国樱花预报2024》正式发布

网址: 叕上新了 | YOLO13正式发布！ https://www.huajiangbk.com/newsview2586681.html

上一篇: 诗词鉴赏：古诗词中蜀葵花

下一篇: YOLOv13 实战指南：优缺点