📖 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

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

🤝 技术支持

如果在使用过程中遇到问题，欢迎：

提交 Issue: 在 GitHub 仓库提交问题
查看文档: 详细的使用文档和故障排除指南
社区讨论: 参与项目讨论和贡献

🎉 总结

YOLOv13 汉化优化部署版本不仅保留了原论文的技术优势，还针对中文用户进行了深度优化，提供了：

✅ 完整的中文文档：详细的使用指南和故障排除
✅ 便捷的运行脚本：一键运行各种功能
✅ 优化的环境配置：解决国内网络环境问题
✅ 详细的部署指南：从环境搭建到模型训练的完整流程

这个项目为中文用户提供了一个高质量、易使用的YOLOv13实现，让先进的超图增强目标检测技术更加普及和实用。

如果这篇文章对你有帮助，欢迎点赞、收藏和分享！ 👍

YOLOv13 汉化优化部署版本：超图增强自适应视觉感知的目标检测系统

目录

📖 项目概述

🚀 YOLOv13 核心特性

1. 超图增强自适应视觉感知 (Hypergraph-Enhanced Adaptive Visual Perception)

🧠 HyperACE: 基于超图的自适应相关性增强

🎯 FullPAD: 全流程聚合-分发范式

⚡ 基于DS的模型轻量化

📊 性能对比

MS COCO 数据集基准测试结果

🖼️ 可视化效果

检测效果对比

自适应超边可视化

🔧 项目优化改进

1. 环境配置优化

2. 运行脚本优化

3. 数据集配置优化

4. 模型管理优化

5. 故障排除指南

⚙️ 快速部署指南

环境要求

1. 环境搭建

创建conda环境

接受conda服务条款（如果遇到错误）

2. 配置镜像源（推荐国内用户）

配置pip镜像源

配置conda镜像源

3. 安装依赖

升级pip

安装PyTorch (CPU版本)

安装项目依赖

安装项目本身

4. 下载预训练模型

创建模型目录

下载预训练模型

5. 下载数据集

创建数据集目录

下载COCO数据集

6. 配置数据集

COCO 2017 dataset configuration

Classes (COCO has 80 classes)

Class names (COCO 2017)

... (完整列表见GitHub仓库)

▶️ 运行使用

方法1：使用便捷脚本（推荐）

给脚本添加执行权限

运行训练

运行验证

运行预测

运行导出

交互式选择操作

方法2：直接运行Python脚本

训练模型

验证模型

预测图像

导出模型

📝 使用示例

训练示例

加载预训练模型

训练模型

预测示例

加载训练好的模型

对图像进行预测

🔧 故障排除

常见问题及解决方案

1. CUDA/GPU 相关问题

检查GPU可用性

如果无GPU，将 device="0,1,2,3" 改为 device="cpu"

2. OpenCV 依赖问题

安装OpenGL相关库

或使用headless版本

3. 网络下载问题

🌟 项目特色

💡 技术优势

🖥️ 部署优势

🏆 性能优势

🔗 相关链接

🤝 技术支持

🎉 总结