YOLOV13最近发布了，速速来看。

论文标题：YOLOv13：融合超图增强的自适应视觉感知的实时目标检测

论文链接：https://arxiv.org/pdf/2506.17733

代码链接：https://github.com/iMoonLab/yolov13

话不多说，直接上摘要！

中文摘要

YOLO 系列模型因其卓越的精度与计算效率，一直在实时目标检测领域占据主导地位。然而，YOLOv11 及更早版本所采用的卷积架构，以及 YOLOv12 引入的基于区域的自注意力机制，都仅限于局部信息聚合与两两相关性建模，难以捕捉全局的多对多高阶关联，这在复杂场景下限制了检测性能。

为了解决上述问题，我们提出了一种全新且轻量的目标检测器 —— YOLOv13。我们引入了一种基于超图的自适应相关性增强机制（HyperACE），该机制能够自适应地挖掘潜在的高阶关系，突破了传统方法仅能进行两两建模的限制。借助超图计算，HyperACE 实现了高效的跨位置、跨尺度的全局特征融合与增强。

在此基础上，我们进一步提出了一个基于 HyperACE 的全流程聚合与分发范式（FullPAD），通过将增强后的相关性特征分发至整个网络流程，实现了细粒度信息流动与特征协同建模。

此外，我们采用深度可分离卷积替代传统的大卷积核操作，并设计了一系列模块，在大幅减少参数量和计算复杂度的同时，保持甚至提升了性能。

我们在广泛使用的 MS COCO 基准数据集上进行了大量实验证明，YOLOv13 在保持轻量的前提下，取得了当前最先进的性能。具体而言，YOLOv13-N 相较于 YOLOv11-N 提高了 3.0% 的 mAP，较YOLOv12-N提高了1.5%。YOLOv13 的代码与模型已开源，欢迎访问：https://github.com/iMoonLab/yolov13

贡献点

我们提出了 YOLOv13，一款性能卓越的端到端实时目标检测器。YOLOv13 通过自适应超图挖掘潜在的高阶相关性，在高阶关系的引导下实现高效的信息聚合与分发，从而达到精准且鲁棒的目标检测。
我们提出了 HyperACE 机制，基于自适应超图计算捕捉复杂场景中的潜在高阶相关性，并在相关性引导下完成特征增强。我们提出了 FullPAD 范式，在整个网络流程中实现多尺度特征的聚合与分发，提升信息流动性与表示协同能力。我们设计了一系列基于 深度可分离卷积 的轻量化模块，用以替代传统的大卷积核结构，在大幅减少参数量与计算开销的同时保持出色性能。
我们在 MS COCO 基准数据集上进行了大量实验，结果表明 YOLOv13 在保持轻量化的同时，达到了当前最先进的检测性能。

模型架构

YOLOv13 模型的网络架构。该模型以主干网络提取的多尺度特征为输入， **HyperACE 模块**自适应地挖掘高阶相关性，实现特征的增强与融合。随后， **FullPAD 通道**将增强后的相关性特征分发至整个网络，实现对复杂场景中目标的精准检测。 **HyperACE 的详细结构如右图所示**。

实验结果

这里仅展示部分论文实验数据，在 MS COCO 数据集上与其他先进实时目标检测器的定量对比。

与其他实时目标检测器的泛化能力对比。所有模型均在 MS COCO 数据集上训练，并在 PASCAL VOC 2007 数据集上进行测试。

总结

YOLOv13作为最新发布的实时目标检测模型，通过引入基于超图的自适应相关性增强机制，显著提升了模型对复杂场景中多尺度、多层次特征的融合能力。同时，采用轻量化的深度可分离卷积模块，有效降低了参数量和计算复杂度，使得模型在保持高精度的同时更加高效。大量基于MSCOCO数据集的实验验证表明，YOLOv13在保持轻量化的前提下，实现了当前领先的检测性能，展现出极强的实用价值和推广潜力。