目录
- 📖 项目概述
- 🚀 YOLOv13 核心特性
- 📊 性能对比
- 🖼️ 可视化效果
- 🔧 项目优化改进
- ⚙️ 快速部署指南
- ▶️ 运行使用
- 📝 使用示例
- 🔧 故障排除
- 🌟 项目特色
- 🔗 相关链接
- 🤝 技术支持
- 🎉 总结
📖 项目概述
本项目是基于 YOLOv13 的汉化优化部署版本，主要针对中文用户进行了深度优化，包括安装依赖包优化、运行脚本重写、一键运行功能等，大幅提升了用户体验。
GitHub 仓库地址： https://github.com/Cgxiaoxin/Yolov13_zh
优云智算⚡️，云端在线体验地址。
一键部署:Yolov13: https://www.compshare.cn/images/zKv7hzlsRH99?referral_code=49yhZNvHLdYCnxTDjq4Wdx
可一键部署，无需下载数据集和模型权重，且支持多种GPU 一键部署！
🚀 YOLOv13 核心特性
1. 超图增强自适应视觉感知 (Hypergraph-Enhanced Adaptive Visual Perception)
YOLOv13 引入了革命性的超图计算技术，相比传统YOLO系列有以下显著优势：
🧠 HyperACE: 基于超图的自适应相关性增强
- 多尺度特征处理：将多尺度特征图中的像素作为超图顶点
- 自适应超边构建：采用可学习的超边构建模块，自适应探索顶点间的高阶相关性
- 线性复杂度消息传递：利用线性复杂度的消息传递模块，在高阶相关性指导下有效聚合多尺度特征
🎯 FullPAD: 全流程聚合-分发范式
- 全流程信息流：利用HyperACE聚合骨干网络的多尺度特征，在超图空间中提取高阶相关性
- 三通道信息分发：通过三个独立通道将相关性增强特征分别转发到骨干网络与颈部、颈部内部层、颈部与头部之间的连接
- 精细化信息流：实现整个流程中的细粒度信息流和表示协同
⚡ 基于DS的模型轻量化
- 深度可分离卷积：用基于深度可分离卷积的块(DSConv, DS-Bottleneck, DS-C3k, DS-C3k2)替换大核卷积
- 感受野保持：在保持感受野的同时大幅减少参数和计算量
- 速度优化：在不牺牲精度的情况下实现更快的推理速度
📊 性能对比
MS COCO 数据集基准测试结果
| 模型 | FLOPs (G) | 参数 (M) | AP50:95 | AP50 | AP75 | 延迟 (ms) |
|---|---|---|---|---|---|---|
| YOLOv8-N | 8.7 | 3.2 | 37.4 | 52.6 | 40.5 | 1.77 |
| YOLOv10-N | 6.7 | 2.3 | 38.5 | 53.8 | 41.7 | 1.84 |
| YOLOv12-N | 6.5 | 2.6 | 40.1 | 56.0 | 43.4 | 1.83 |
| YOLOv13-N | 6.4 | 2.5 | 41.6 | 57.8 | 45.1 | 1.97 |
| YOLOv8-S | 28.6 | 11.2 | 45.0 | 61.8 | 48.7 | 2.33 |
| YOLOv12-S | 21.4 | 9.3 | 47.1 | 64.2 | 51.0 | 2.82 |
| YOLOv13-S | 20.8 | 9.0 | 48.0 | 65.2 | 52.0 | 2.98 |
关键优势：
- ✅ 精度提升：YOLOv13-N 相比 YOLOv12-N 在 AP50:95 上提升 1.5%
- ✅ 效率优化：更少的 FLOPs 和参数，更快的推理速度
- ✅ 超图技术：首次将超图计算引入目标检测，实现高阶视觉关联建模
🖼️ 可视化效果
检测效果对比
YOLOv10-N/S, YOLO11-N/S, YOLOv12-N/S, 和 YOLOv13-N/S 的可视化对比示例
自适应超边可视化
自适应超边的代表性可视化示例。前两列的超边主要关注前景中对象间的高阶交互，第三列主要关注背景与部分前景之间的高阶交互。这些超边的可视化可以直观反映YOLOv13建模的高阶视觉关联。
🔧 项目优化改进
1. 环境配置优化
- 镜像源配置：自动配置国内镜像源，解决网络下载问题
- 依赖管理：优化 requirements.txt，明确版本兼容性
- 环境检查：提供环境检查脚本，快速诊断问题
2. 运行脚本优化
- 一键运行：提供便捷的运行脚本，支持训练、验证、预测、导出
- 交互式选择：run_all.sh 提供交互式操作选择
- 错误处理：完善的错误处理和提示信息
3. 数据集配置优化
- 自动下载：提供数据集自动下载脚本
- 配置文件：优化 COCO 数据集配置文件
- 路径管理：统一的数据集路径管理
4. 模型管理优化
- 权重下载：提供预训练模型自动下载
- 版本管理：支持多种模型版本（N/S/L/X）
- 导出功能：支持 ONNX、TensorRT 等多种格式导出
5. 故障排除指南
- 常见问题：详细的常见问题解决方案
- 环境诊断：提供环境诊断工具
- 网络优化：针对国内网络环境的优化
⚙️ 快速部署指南
环境要求
- 操作系统：Linux (推荐 Ubuntu 20.04+)
- Python：3.9.23
- CUDA：11.8+ (可选，用于GPU加速)
- PyTorch：2.5.1
- 内存：至少 8GB RAM
- 存储：至少 10GB 可用空间
1. 环境搭建
# 创建conda环境
conda create -n yolo13 python=3.9 -y
conda activate yolo13
# 接受conda服务条款（如果遇到错误）
conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/main
conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/r
2. 配置镜像源（推荐国内用户）
# 配置pip镜像源
mkdir -p ~/.pip
cat > ~/.pip/pip.conf << EOF
[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple/
trusted-host = pypi.tuna.tsinghua.edu.cn
extra-index-url =
https://mirrors.aliyun.com/pypi/simple/
https://pypi.douban.com/simple/
https://pypi.org/simple/
EOF
# 配置conda镜像源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --set show_channel_urls yes
3. 安装依赖
# 升级pip
pip install --upgrade pip
# 安装PyTorch (CPU版本)
pip install torch2.5.1 torchvision0.20.1 torchaudio==2.5.1
# 安装项目依赖
pip install -r requirements.txt
# 安装项目本身
pip install -e .
4. 下载预训练模型
# 创建模型目录
mkdir -p model
cd model
# 下载预训练模型
wget https://github.com/iMoonLab/yolov13/releases/download/yolov13/yolov13n.pt
wget https://github.com/iMoonLab/yolov13/releases/download/yolov13/yolov13s.pt
wget https://github.com/iMoonLab/yolov13/releases/download/yolov13/yolov13l.pt
wget https://github.com/iMoonLab/yolov13/releases/download/yolov13/yolov13x.pt
cd …
5. 下载数据集
# 创建数据集目录
mkdir -p datasets
cd datasets
# 下载COCO数据集
wget https://github.com/ultralytics/assets/releases/download/v0.0.0/coco2017labels.zip
unzip coco2017labels.zip
cd …
6. 配置数据集
创建 datasets/coco/coco.yaml 文件：
# COCO 2017 dataset configuration
path: …/datasets/coco # dataset root dir
train: images/train2017 # train images (relative to ‘path’)
val: images/val2017 # val images (relative to ‘path’)
test: # test images (optional)
# Classes (COCO has 80 classes)
nc: 80 # number of classes
# Class names (COCO 2017)
names:
0: person
1: bicycle
# … (完整列表见GitHub仓库)
79: toothbrush
▶️ 运行使用
方法1：使用便捷脚本（推荐）
# 给脚本添加执行权限
chmod +x run_script/*.sh
# 运行训练
./run_script/run_training.sh
# 运行验证
./run_script/run_validation.sh
# 运行预测
./run_script/run_prediction.sh
# 运行导出
./run_script/run_export.sh
# 交互式选择操作
./run_script/run_all.sh
方法2：直接运行Python脚本
# 训练模型
python train.py
# 验证模型
python val.py
# 预测图像
python predict.py
# 导出模型
python export.py
📝 使用示例
训练示例
from ultralytics import YOLO
# 加载预训练模型
model = YOLO(‘model/yolov13n.pt’)
# 训练模型
results = model.train(
data=‘datasets/coco/coco.yaml’,
epochs=600,
batch=256,
imgsz=640,
device=“cpu”, # 或 “0” 用于GPU
project=‘runs/train’,
name=‘yolov13_coco’,
)
预测示例
from ultralytics import YOLO
# 加载训练好的模型
model = YOLO(‘model/yolov13n.pt’)
# 对图像进行预测
results = model.predict(
source=‘path/to/your/image.jpg’,
imgsz=640,
conf=0.25,
save=True,
)
🔧 故障排除
常见问题及解决方案
1. CUDA/GPU 相关问题
问题: ValueError: Invalid CUDA ‘device=0,1,2,3’ requested
解决:
# 检查GPU可用性
python -c “import torch; print(torch.cuda.is_available())”
# 如果无GPU，将 device=“0,1,2,3” 改为 device=“cpu”
2. OpenCV 依赖问题
问题: ImportError: libGL.so.1: cannot open shared object file
解决:
# 安装OpenGL相关库
apt-get install -y libgl1-mesa-glx libglib2.0-0 libsm6 libxext6 libxrender-dev libgomp1
# 或使用headless版本
pip install opencv-python-headless
3. 网络下载问题
解决:
- 使用国内镜像源
- 手动下载数据集和模型文件
- 检查网络连接
🌟 项目特色
💡 技术优势
- 超图计算：首次将超图技术引入目标检测
- 自适应感知：动态调整视觉感知策略
- 轻量化设计：在保持精度的同时大幅减少计算量
- 端到端优化：全流程信息流优化
🖥️ 部署优势
- 一键部署：简化的安装和配置流程
- 中文优化：针对中文用户的环境配置
- 故障排除：详细的错误诊断和解决方案
- 多平台支持：支持CPU和GPU环境
🏆 性能优势
- 精度提升：相比YOLOv12在COCO数据集上提升1.5% AP
- 速度优化：更快的推理速度
- 资源节省：更少的参数和计算量
- 鲁棒性强：更好的复杂场景适应能力
🔗 相关链接
- 优云智算⚡️，云端在线体验地址。
一键部署:Yolov13: https://www.compshare.cn/images/zKv7hzlsRH99?referral_code=49yhZNvHLdYCnxTDjq4Wdx - GitHub 仓库: https://github.com/Cgxiaoxin/Yolov13_zh
- 原论文: YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception
- 预训练模型: https://github.com/iMoonLab/yolov13/releases
- 数据集下载: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco2017labels.zip
🤝 技术支持
如果在使用过程中遇到问题，欢迎：
- 提交 Issue: 在 GitHub 仓库提交问题
- 查看文档: 详细的使用文档和故障排除指南
- 社区讨论: 参与项目讨论和贡献
🎉 总结
YOLOv13 汉化优化部署版本不仅保留了原论文的技术优势，还针对中文用户进行了深度优化，提供了：
- ✅ 完整的中文文档：详细的使用指南和故障排除
- ✅ 便捷的运行脚本：一键运行各种功能
- ✅ 优化的环境配置：解决国内网络环境问题
- ✅ 详细的部署指南：从环境搭建到模型训练的完整流程
这个项目为中文用户提供了一个高质量、易使用的YOLOv13实现，让先进的超图增强目标检测技术更加普及和实用。
如果这篇文章对你有帮助，欢迎点赞、收藏和分享！ 👍