新一代实时检测工具——YOLOv13本地部署教程,复杂场景,一目了然!

一、介绍

YOLOv13 隆重推出 ------新一代实时检测器,拥有尖端的性能和效率。YOLOv13 系列包含四个版本:Nano、Small、Large 和 X-Large,并由以下技术提供支持:

  • HyperACE:基于超图的自适应相关增强
    • 将多尺度特征图中的像素视为超图顶点。
    • 采用可学习的超边构造模块,自适应地探索顶点之间的高阶相关性。
    • 利用线性复杂度的消息传递模块,在高阶相关的指导下有效地聚合多尺度特征,实现对复杂场景的有效视觉感知。
  • FullPAD:全管道聚合和分发范例
    • 使用 HyperACE 聚合主干的多尺度特征并提取超图空间中的高阶相关性。
    • FullPAD 范式进一步利用三个独立的隧道,将这些相关性增强的特征分别转发到骨干与颈部的连接、颈部内部层以及颈部与头部的连接。通过这种方式,YOLOv13 实现了整个流程的细粒度信息流和表征协同。
    • FullPAD 显著改善了梯度传播并提高了检测性能。
  • 通过基于 DS 的块实现模型轻量化
    • 用基于深度可分离卷积(DSConv、DS-Bottleneck、DS-C3k、DS-C3k2)的块构建取代大核卷积,在保留感受野的同时,大大减少参数和计算量。
    • 在不牺牲准确性的情况下实现更快的推理速度。

二、部署过程

基础环境最低要求说明:

环境名称 版本信息
Ubuntu 22.04.5 LTS
python 3.11
Cuda 12.4.1
NVIDIA Corporation 3060

1. 构建基础镜像 Miniconda-Ubuntu-22.04-cuda12.1.1

2.创建虚拟环境

复制代码
conda create -n yolov13 python=3.11 -y

3.从github上克隆项目:

复制代码
git clone https://github.com/iMoonLab/yolov13.git

4.安装环境依赖

复制代码
conda activate yolov13

cd yolov13

wget https://github.com/Dao-AILab/flash-attention/releases/download/v2.7.3/flash_attn-2.7.3+cu11torch2.2cxx11abiFALSE-cp311-cp311-linux_x86_64.whl
pip install -r requirements.txt
pip install -e .

5.下载预训练权重

复制代码
wget https://github.com/iMoonLab/yolov13/releases/download/yolov13/yolov13n.pt

6.验证

YOLOv13-N YOLOv13-S YOLOv13-L YOLOv13-X

使用以下代码在 COCO 数据集上验证 YOLOv13 模型。请务必将其替换 {n/s/l/x} 为所需的模型规模(nano、small、plus 或 ultra)。

复制代码
from ultralytics import YOLO

model = YOLO('yolov13{n/s/l/x}.pt')  # Replace with the desired model scale

7.训练

使用以下代码训练 YOLOv13 模型。请确保将 替换 yolov13n.yaml 为所需的模型配置文件路径,并将其 coco.yaml 替换为你的 Coco 数据集配置文件。

复制代码
from ultralytics import YOLO

model = YOLO('yolov13n.yaml')

# Train the model
results = model.train(
  data='coco.yaml',
  epochs=600, 
  batch=256, 
  imgsz=640,
  scale=0.5,  # S:0.9; L:0.9; X:0.9
  mosaic=1.0,
  mixup=0.0,  # S:0.05; L:0.15; X:0.2
  copy_paste=0.1,  # S:0.15; L:0.5; X:0.6
  device="0,1,2,3",
)

# Evaluate model performance on the validation set
metrics = model.val('coco.yaml')

# Perform object detection on an image
results = model("path/to/your/image.jpg")
results[0].show()

8.预测

使用以下代码,使用 YOLOv13 模型执行对象检测。请确保将其替换 {n/s/l/x} 为所需的模型比例。

复制代码
from ultralytics import YOLO

model = YOLO('yolov13{n/s/l/x}.pt')  # Replace with the desired model scale
model.predict()

9. 导出

使用以下代码将 YOLOv13 模型导出为 ONNX 或 TensorRT 格式。请确保将其替换 {n/s/l/x} 为所需的模型比例。

复制代码
from ultralytics import YOLO
model = YOLO('yolov13{n/s/l/x}.pt')  # Replace with the desired model scale
model.export(format="engine", half=True)  # or format="onnx"

10.测试界面demo

启动app_demo.py文件

复制代码
python app_demo.py
相关推荐
DisonTangor1 天前
Lumina-DiMOO:用于多模态生成与理解的全扩散大语言模型
人工智能·语言模型·自然语言处理·ai作画·aigc
golang学习记1 天前
阿里又出手了,发布全新终端CLI工具,还支持VSCode
人工智能
机器之心1 天前
具身智能迎来ImageNet时刻:RoboChallenge开放首个大规模真机基准测试集
人工智能·openai
lanyancloud_JX1 天前
公路工程项目管理软件选型指南
人工智能
柠檬味拥抱1 天前
基于Rokid CXR-M和CXR-S SDK构建简易翻译助手
人工智能
用户5191495848451 天前
在VS Code IDE中通过LocalStack集成加速无服务器测试
人工智能·aigc
FreeCode1 天前
智能体化系统(Agentic System)开发面临的挑战及应对
人工智能·agent
leafff1231 天前
Stable Diffusion在进行AI 创作时对算力的要求
人工智能·stable diffusion
Juchecar1 天前
AI大模型商业模式分析
人工智能
leafff1231 天前
Stable Diffusion进行AIGC创作时的算力优化方案
人工智能·stable diffusion·aigc