叕上新了 | YOLO13正式发布！

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：

from ultralytics import YOLO
model = YOLO('yolov13n.pt')  # Replace with the desired model scale
model.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