📖 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
在这里插入图片描述
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