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。
自适应超图构建与卷积的细节
DS 系列模块的详细架构
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。