【算法介绍】

YOLOv13 的创新点主要体现在以下几个方面：

超图自适应相关性增强机制 HyperACE

• 超图理论借鉴与创新 ：借鉴超图理论，将多尺度特征图的像素视为超图顶点，不同的是，传统超图方法依赖手工设定参数构建超边，而 HyperACE 设计了可学习的超边生成模块，能自适应地学习并构建超边，动态探索不同特征顶点间的潜在关联。
• 超图卷积操作 ：在生成自适应超边后，通过超图卷积操作进行特征聚合与增强。每条超边先从其连接的所有顶点处聚合信息形成高阶特征，再将这些高阶特征传播回各个顶点，更新与增强顶点特征，从而实现高效地跨位置和跨尺度的特征融合与增强，强化不同尺度特征间的语义关联，对小目标和密集目标检测效果显著。

全流程聚合 - 分发范式 FullPAD

• 多通道特征传递 ：打破传统的 “骨干→颈部→头部” 单向计算范式，通过三条独立通路传递特征，即主干 - 颈部连接层、颈部内部层、颈部 - 头部连接层，将 HyperACE 聚合后的多尺度特征，通过这些 “隧道” 分发回网络的不同位置，实现细粒度信息流与全流程表征协同。
• 改善梯度传播 ：该范式有效解决了梯度消失或爆炸问题，显着改善了梯度传播效率，从而提升模型整体的检测性能，使模型在复杂场景下能够更好地捕捉目标特征，提高检测的准确性和稳定性。

基于深度可分离卷积的轻量化模块

• 模块创新与替代 ：采用深度可分离卷积构建了 DSConv、DS-Bottleneck、DS-C3k 等模块，替代传统的大核卷积。例如使用 DS-C3k2 模块作为轻量化的骨干网络提取多尺度特征，在保持感受野的同时，大幅降低了参数量与计算量，提高了模型的计算效率。
• 性能与效率平衡 ：在几乎不牺牲性能的前提下，显著减少了模型的参数量和计算复杂度，使得 YOLOv13 能够在保持较高检测精度的同时，具备更快的推理速度，适合实时目标检测应用场景，降低了模型的部署难度和资源消耗。

研究目的与动机

尽管YOLO系列不断进化，但论文作者指出，现有的模型在信息建模上仍存在共性局限。无论是YOLOv11及之前的卷积架构，还是YOLOv12引入的自注意力机制，其信息聚合方式本质上都受限于以下两点：

• 局部性限制：卷积操作在固定的感受野内聚合信息。

• 成对关系建模：自注意力机制的核心是建立特征间的成对关系（pairwise correlation）。

这两种模式都难以捕捉多个实体之间共同形成的、更复杂的“多对多”高阶关联（high-order correlations），导致模型在处理具有复杂空间和语义关系的场景时性能受限。因此，本研究的核心目的在于，通过引入能有效建模全局、高阶视觉关联的机制，来提升YOLO系列模型在复杂场景下的检测精度和鲁棒性。

提出的方法

为实现上述目标，论文提出了YOLOv13模型，其核心包含三大创新：

a. 基于超图的自适应相关性增强机制 (HyperACE)

YOLOv13的最核心创新，旨在有效捕捉特征间潜在的高阶关联。

• 基本原理：该机制借鉴了超图（Hypergraph）的理论。与普通图中一条边只能连接两个顶点不同，超图中的一条“超边”（Hyperedge）可以同时连接多个顶点，这使其天然适合建模“多对多”的关系。

• 自适应超边生成：为克服传统超图方法依赖手工设定参数的不足，HyperACE设计了一个可学习的超边生成模块。该模块能根据输入的视觉特征，自适应地学习并构建超边，动态地探索不同特征顶点之间的潜在关联。

• 超图卷积：在生成自适应超边后，通过超图卷积操作进行特征聚合与增强。每条超边先从其连接的所有顶点处聚合信息，形成高阶特征；随后，这些高阶特征再被传播回各个顶点，从而完成对顶点特征的更新与增强。

b. 全流程聚合与分发范式 (FullPAD)

为了最大化HyperACE增强后特征的效用，作者设计了FullPAD这一新的网络信息流范式。

• 工作流程：FullPAD首先从骨干网络中汇集多尺度特征，并将其送入HyperACE模块进行处理。随后，通过专门的“FullPAD通道”，将这些经过高阶关联增强的特征重新分发至网络的多个关键位置，包括骨干网与颈部的连接处、颈部网络内部、以及颈部与检测头的连接处。

• 设计目的：这种设计旨在打破传统YOLO架构中单向的信息流，实现全网络范围内的信息协同与精细化流动，从而改善梯度传播并提升最终的检测性能。

c. 深度可分离卷积轻量化设计

为保证模型的高效率，YOLOv13采用深度可分离卷积（Depthwise Separable Convolution, DSConv）作为基础单元，设计了一系列轻量化模块（如DSConv, DS-Bottleneck, DS-C3k, DS-C3k2），用于替代标准的大核卷积。这些模块被广泛应用于模型的骨干和颈部网络中，在基本不牺牲模型性能的前提下，显著降低了参数量和计算复杂度（FLOPs）。

 【框架地址】

github.com/iMoonLab/yolov13/releases/tag/yolov13

【视频演示】

www.bilibili.com/video/BV1gqKRzMEtG/

【调用代码】

from Yolov13Detector import *

detectcor = Yolov13Detector(weights='weights/yolov13n.pt')
# img = cv2.imread(r'E:\person.jpg')
# result_list = detectcor.inference_image(img)
# result_img = detectcor.draw_image(result_list, img)
# cv2.imshow('result', img)
# cv2.waitKey(0)
# cv2.destroyAllWindows()
detectcor.start_video(r'D:\car.mp4')