YOLOv13GPU训练自己的数据（含网络结构图） (草履虫都能看懂系列)

该项目于 2025 年 6 月 21 日开源代码，6 月 22 日发布模型权重，属于社区开发的衍生版本（非 Ultralytics 官方版本）。以下是关于该版本的详细说明：一、YOLOv13 的核心技术创新1. HyperACE：基于超图的自适应关联增强技术原理：将多尺度特征图中的像素视为超图顶点，通过可学习的超边构建模块自适应探索顶点间的高阶关联，再利用线性复杂度的消息传递模块聚合特征，提升复杂

flpmmpfl

1871人浏览 · 2025-06-30 11:25:30

flpmmpfl · 2025-06-30 11:25:30 发布

1、YOLOv13介绍

该项目于 2025 年 6 月 21 日开源代码，6 月 22 日发布模型权重，属于社区开发的衍生版本（非 Ultralytics 官方版本）。以下是关于该版本的详细说明：

一、YOLOv13 的核心技术创新

1. HyperACE：基于超图的自适应关联增强

技术原理：将多尺度特征图中的像素视为超图顶点，通过可学习的超边构建模块自适应探索顶点间的高阶关联，再利用线性复杂度的消息传递模块聚合特征，提升复杂场景下的视觉感知能力。
作用：强化不同尺度特征间的语义关联，尤其对小目标和密集目标检测效果显著。

2. FullPAD：全流程聚合 - 分布范式

技术原理：通过 HyperACE 聚合骨干网络的多尺度特征，再通过三条独立 “隧道” 将增强后的特征分别传递到骨干与颈部、颈部内部、颈部与头部的连接处，实现全流程细粒度信息流协同。
作用：改善梯度传播效率，提升模型整体检测性能。

3. 轻量化卷积替换

技术原理：使用深度可分离卷积（DSConv、DS-Bottleneck 等）替代大核卷积，在保持感受野的同时大幅减少参数和计算量。微智启软件工作室。
效果：推理速度提升的同时不牺牲精度，适合实时应用场景。

2、yolov13模型图

3、前提所需

anaconda3、pycharm下载完成（最好不要最新版本，也不要太旧，本人使用2021.3）

4、yolov13模型、权重下载

1.模型下载：github模型代码下载

2.模型权重下载（非必须）：yolov13模型下载地址下载所需的

直接放解压yolov13文件夹根目录下

5、环境配置

5.1.下载yolov13所需虚拟环境

打开anaconda prompt

cd进入你下载的yolov13文件夹中

创建yolov13环境：输入 conda create -n yolov13（代表环境名称）python=3.11（使用Python的版本），按y+回车

无脑复制

conda create -n yolov13 python=3.11

进入你刚安装的yolov13环境：conda activate yolov13（你的环境名称）

无脑复制

conda activate yolov13

进入后（）会变成你环境名称（判断是否安装成功）

5.2.下载CUDA（GPU所需）

cuda是连接GPU和模型训练的桥梁，pytorch是进入桥梁那段上坡的路（CPU训练慢，GPU快还好）（最好选择在虚拟环境安装，以下介绍为虚拟机安装过程）

查看cuda最高支持版本，win+R，输入cmd，打开命令窗口，输入nvidia-smi.exe，红框位置为最大可支持安装版本

无脑复制

conda install cudatoolkit=11.8

安装后的结果

5.3.下载pytorch（GPU所需）

cuda是连接GPU和模型训练的桥梁，pytorch是进入桥梁那段上坡的路（pytorch库必须和cuda版本匹配）

无脑复制（CUDA 11.8）

conda install pytorch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 pytorch-cuda=11.8 -c pytorch -c nvidia

安装后的结果

或者去pytorch官网查找(只是教你怎么去找你所下载CUDA对应的pytorch，以防下载的别的版本的CUDA) pytorch官网下载方法

5.4.下载yolov13依赖库

首先到你下载的yolov13文件中找到requirements.txt文件

这个标记蓝色的直接注释，前面加上##

然后安装包里的库文件

无脑复制

pip install -r requirements.txt

去除模型只读权限（如果说你要修改模型，必须pip install -e.，如果说只是复现，可加可不加）

无脑复制

pip install -e .

只要中间不报错即为下载成功

5.5. 检测是否安装正确

（环境已经配好添加好了，6搞完）

建立cuda.py

import torch
print('CUDA版本:',torch.version.cuda)
print('Pytorch版本:',torch.__version__)
print('显卡是否可用:','可用' if(torch.cuda.is_available()) else '不可用')
print('显卡数量:',torch.cuda.device_count())
print('当前显卡型号:',torch.cuda.get_device_name())
print('当前显卡的CUDA算力:',torch.cuda.get_device_capability())
print('当前显卡的总显存:',torch.cuda.get_device_properties(0).total_memory/1024/1024/1024,'GB')
print('是否支持TensorCore:','支持' if (torch.cuda.get_device_properties(0).major >= 7) else '不支持')
print('当前显卡的显存使用率:',torch.cuda.memory_allocated(0)/torch.cuda.get_device_properties(0).total_memory*100,'%')