> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# YOLOv13 简介
- URL: https://www.hubwiz.com/blog/yolov13-brief-introduction/
- Published: 2025-07-03T09:16:07.000Z
- Updated: 2025-07-03T09:16:07.000Z
- Description: 本文将讨论 YOLOv13 是什么，它带来了什么，以及如果你正在开发图像检测模型，你需要做些什么。让我们开始吧！
- Author: admin
- Tags: MODEL-ZOO, YOLO, #Import 2026-10-14 14:41

YOLOv13 于 2025 年 6 月 21 日和 22 日发布，并在 YOLO-verse 中展示了检测模型的明显改进。

本文将讨论 YOLOv13 是什么，它带来了什么，以及如果你正在开发图像检测模型，你需要做些什么。让我们开始吧！

## 1、什么是 YOLOv13？

YOLOv13 是自 2025 年 2 月 YOLOv12 发布以来 YOLO-verse 中最先进的图像检测模型。

由清华大学和 iMoonLab 的研究人员开发，YOLOv13 是一个更准确的模型，在 COCO 上具有更高的 mAP，同时其每秒浮点运算次数（FLOPs）与 YOLOv12 和 YOLOv13 相当。虽然它很小，但可以在项目中产生巨大影响。

对不起那些在分割、姿态和分类部分的 YOLO-verse 用户，YOLOv13 只是检测模型（但我仍然希望他们能扩展出 YOLOv13 检测模型的分割版本）。

YOLOv13 有四种尺寸：**N**ano、**S**mall、**L**arge 和 e**X**tra-large（加粗的字母是后缀）。

![](https://www.hubwiz.com/blog/content/images/2025/07/image-11.png)

## 2、YOLOv13 有什么功能？🤖

YOLOv13 通过利用和开发三种新技术，在计算量大致相同的情况下实现了高精度：

- **基于 DS 的块（不是新的但被使用）：** 不再使用大卷积，而是将其分为三个可组织的块，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）：** 不再将像素作为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，并在复杂场景中表现更好。

![](https://www.hubwiz.com/blog/content/images/2025/07/image-12.png)

这张图片完美地展示了新技术（使用三个超边来处理大型物体和小细节）

- **FullPAD（全管道聚合与分发范式）：** 这是在 HyperACE 聚合信息的基础上建立的，使性能更高，并促进梯度传播。

如果大部分内容对你来说都不太明白，那我也一样，但所有这些特性都是为了提高准确性而不牺牲速度。

**Nano（示例）：**

![](https://www.hubwiz.com/blog/content/images/2025/07/image-13.png)

所有模型都有相同的主题：

总体而言，所需的 FLOPs 更少（好），所需的参数更少（好）。AP 指标更高（好）。然而延迟略高，甚至比 YOLOv8 还高，这有点不好。我对这个结果既高兴又难过。

以下是其余的，但我的说法仍然成立：

![](https://www.hubwiz.com/blog/content/images/2025/07/image-14.png)

## 3、那么如何使用 YOLOv13 模型呢？

结果发现它可能需要 Flash Attention 😬

我希望你不需要太多，而且显示的统计数据没有使用 FlashAttention 或者不使用 FlashAttention 不是一个主要的权衡 🙏

总体而言，你需要从 [这里](https://github.com/iMoonLab/yolov13?ref=hubwiz.com) 手动下载模型。然后你可以像平常一样使用 YOLO 来训练、验证、预测和导出，因为 YOLOv13 是基于 Ultralytics Python 包构建的。

他们提供的代码如下：

```
from ultralytics import YOLO  
# 验证 =============================================  
model = YOLO('yolov13{n/s/l/x}.pt')  # 替换为所需的模型规模  

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

# 训练模型  
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",  
)  

# 在验证集上评估模型性能  
metrics = model.val('coco.yaml')  

# 对图像进行目标检测  
results = model("path/to/your/image.jpg")  
results[0].show()  

# 预测 =============================================  
model = YOLO('yolov13{n/s/l/x}.pt')  # 替换为所需的模型规模  
model.predict()  

# 导出 =============================================  
model = YOLO('yolov13{n/s/l/x}.pt')  # 替换为所需的模型规模  
model.export(format="engine", half=True)  # 或 format="onnx"

```

看起来非常简单，而且好消息是：Ultralytics 第一天就可用！Ultralytics 的 Python 包可能会很快更新并自动下载它！

## 4、我应该尝试 YOLOv13 吗？

**是的**，即使延迟增加了，你也应该尝试。有时随着模型版本的提升，可能不会工作，也可能工作。进一步的训练是必要的，比较不同模型的性能是有好处的，这样你知道自己得到了最好的结果！

![](https://www.hubwiz.com/blog/content/images/2025/07/image-15.png)

如果 ODverse 教会了我们什么，那就是要尝试每一个模型，看看哪个是最好的

## 5、我的想法 

YOLOv13 是一个相当不错的模型，展示了新技术，但它感觉和其他模型一样，新技术只是昙花一现，而延迟仍然增加。也许我们现在处于一个延迟不再重要的时代，因为硬件更好了（RTX 5090 哒哒哒）。我真的希望看到一个延迟更低的模型（如果准确率下降也没关系，只要比 YOLOv8n 有更低的延迟和还不错的准确率，因为我们在这个领域只有这些）。

我将在接下来的文章中对 YOLOv13 做更多介绍（会有大量文章）。

---

原文链接：[YOLOv13 Is Out: All You Need To Know](https://medium.com/@zainshariff6506/yolov13-is-out-all-you-need-to-know-f8c2de876639?ref=hubwiz.com)

汇智网翻译整理，转载请标明出处