# YOLOv13
YOLOv13引入超图理论，其中YOLOv13-N相比YOLO11-N提升了3.0%的mAP，相比YOLOv12-N提升了1.5%的mAP。
## 论文
`YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception`
- https://arxiv.org/pdf/2506.17733

## 模型结构
遵循“骨干网络→颈部网络→检测头”的计算范式，通过超图自适应关联增强（HyperACE）机制，实现全链路特征聚合与分配（FullPAD），从而增强传统的YOLO架构。
<div align=center>
    <img src="./doc/YOLOv13.png"/>
</div>

## 算法原理
YOLOv13将图片数据送入模型后，沿用yolo系列的通用方法，依次通过backbone、neck提取特征，最后经过head预测出检测框，其中YOLOv13最大的改进是引入超图的自适应关联增强机制HyperACE，将多尺度特征图的像素视为超图顶点，HyperACE 设计了可学习的超边生成模块，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。
<div align=center>
    <img src="./doc/HyperACE.png"/>
</div>

## 环境配置
```
mv yolov13_pytorch yolov13
```


### 硬件需求
DCU型号：K100AI，节点数量：1 台，卡数：4 张。

### Docker（方法一）
```
docker pull image.sourcefind.cn:5000/dcu/admin/base/pytorch:2.4.1-ubuntu22.04-dtk25.04.1-py3.10
# <your IMAGE ID>为以上拉取的docker的镜像ID替换，本镜像为：e50d644287fd
docker run -it --shm-size=64G -v $PWD/yolov13:/home/yolov13 -v /opt/hyhal:/opt/hyhal:ro --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video --name yolov13 <your IMAGE ID> bash
cd /home/yolov13
pip install -r requirements.txt # requirements.txt
pip install -e . # ultralytics==8.3.63
```
### Dockerfile（方法二）
```
cd /home/yolov13/docker
docker build --no-cache -t yolov13:latest .
docker run --shm-size=64G --name yolov13 -v /opt/hyhal:/opt/hyhal:ro --privileged=true --device=/dev/kfd --device=/dev/dri/ --group-add video -v $PWD/../../yolov13:/home/yolov13 -it yolov13 bash
# 若遇到Dockerfile启动的方式安装环境需要长时间等待，可注释掉里面的pip安装，启动容器后再安装python库：pip install -r requirements.txt。
pip install -e . # ultralytics==8.3.63
```
### Anaconda（方法三）
1、关于本项目DCU显卡所需的特殊深度学习库可从光合开发者社区下载安装：
- https://developer.sourcefind.cn/tool/
```
DTK驱动:25.04.1
python:python3.10
torch:2.4.1
torchvision:0.19.1
triton:3.0.0
flash-attn:2.6.1
deepspeed:0.14.2
apex:1.4.0
onnxruntime:1.19.2
```

`Tips：以上dtk驱动、python、torch等DCU相关工具版本需要严格一一对应。`

2、其它非特殊库参照requirements.txt安装
```
cd /home/yolov13
pip install -r requirements.txt # requirements.txt
pip install -e . # ultralytics==8.3.63
```

## 数据集
[COCO2017](https://modelscope.cn/datasets/PAI/COCO2017)、[coco2017labels-segments](https://github.com/ultralytics/assets/releases/download/v0.0.0/coco2017labels-segments.zip)。

数据集的构造方式：
```
# 1、创建datasets文件
mkdir /home/datasets
# 2、将coco2017labels-segments.zip放到/home/datasets/下面解压，生成数据集主体目录结构。
unzip coco2017labels-segments.zip
# 3、解压COCO2017中的train2017.zip和val2017.zip，并替换/home/datasets/coco/images/下相应的train2017和val2017即可。
```
完整的数据集目录结构如下：
```
/home/datasets/coco/
    ├── train2017.txt
    ├── val2017.txt
    ├── test-dev2017.txt
    ├── annotations/instances_val2017.json
    ├── images
        ├── train2017
            ├── xxx.jpg
            ...
        └── val2017
            ├── xxx.jpg
            ...
    └── labels
        ├── train2017
            ├── xxx.txt
            ...
        └── val2017
            ├── xxx.txt
            ...
    ...
```
更多资料可参考源项目的[`README_origin`](./README_origin.md)

## 训练

运行训练命令时若未自动下载字体文件，使用以下命令放置即可：
```
cp Arial.ttf /root/.config/yolov13/Arial.ttf
```

### 单机多卡

```
export HIP_VISIBLE_DEVICES=0,1,2,3
cd /home/yolov13
python train.py # 此处以yolov13n为例，其它参数量的模型以此类推。
```

## 推理

### 单机多卡

```
export HIP_VISIBLE_DEVICES=0,1,2,3
cd /home/yolov13
python prediction.py # 此处以yolov13n为例，其它参数量的模型以此类推。
```
更多资料可参考源项目的[`README_origin`](./README_origin.md)

## result
`输入: `
```
/home/yolov13/ultralytics/assets/bus.jpg
/home/yolov13/ultralytics/assets/zidane.jpg
```

`输出:`
```
image 1/2 /home/yolov13/ultralytics/assets/bus.jpg: 640x480 5 persons, 1 bus
image 2/2 /home/yolov13/ultralytics/assets/zidane.jpg: 384x640 2 persons, 1 tie
```

### 精度
测试数据：`/home/datasets/coco/images/val2017`，测试权重为训练结束的`/home/yolov13/runs/detect/train/weights/best.pt`，使用的加速卡：K100AI，max epoch为600，推理框架：pytorch。

| device | mAP50 | mAP75 | mAP50-95 |
| :------: | :------: | :------: | :------: |
| DCU K100AI | 0.567 | 0.445 | 0.411 |
| GPU A800 | 0.564 | 0.441 | 0.41 |

## 应用场景
### 算法类别
`目标检测`
### 热点应用行业
`制造,电商,医疗,能源,教育`
## 预训练权重
`weights/yolov13n.pt`
## 源码仓库及问题反馈
- http://developer.sourcefind.cn/codes/modelzoo/yolov13_pytorch.git
## 参考资料
- https://github.com/iMoonLab/yolov13.git