简介YOLOv13完整源码与权重文件由清华大学联合太原理工大学、北京理工大学等高校团队于2025年6月发布是YOLO系列最新实时目标检测代码包。模型在MS COCO数据集上以6.4G FLOPs的Nano版本实现41.6% mAP较YOLOv12-N提升1.5%精度、参数减少0.1M并首次引入超图理论建模多目标高阶语义关联。资源面向计算机、电子信息或数学专业学生适用于课程设计、期末大作业和毕业设计等目标检测相关项目。压缩包共486个文件涵盖164个Python源码、109个pyc、86个YAML配置、8个PyTorch权重文件(pt)及多个Dockerfile、C推理示例、实验记录和图片整体263.76MB目录结构清晰便于按模块查阅。集成训练、验证、推理完整流程与部署脚本可帮助读者快速理解并复现YOLOv13方法直接用于实际课题开发。目前已有235人学习下载值得目标检测方向学生参考。1. YOLOv13 完整源码与权重目标检测新基线还是营销噱头每次 YOLO 迭代老用户最关心的一件事就是这次的新版本到底值不值得换。拿到这份 2026 的 yolov13 完整源码加权重文件后我的第一印象是——它把前代里最不稳定的注意力模块重做了推理代码精简了不少但真正的变化在训练侧混合精度、数据增强、超图特征聚合成了默认配置。它不是那种为了涨点硬堆模块的版本主干、颈部、检测头的职责边界很清晰适合想把检测模型换到新基线的人也适合需要一份 COCO 预训练权重做自定义数据集微调的人。如果你想研究注意力机制改法这份源码的模块拆分方式比 v8、v12 都要友好后面我会专门演示怎么在遮挡场景下做超图改进。2. 读懂 yolov13 源码目录结构与模型装配的关键文件2.1 源码包目录拆解先搞清模块放哪了解压这份资源后第一件事不是看 README而是先把目录结构过一遍。YOLO 系列经过这么多代演变目录习惯其实很稳定但 v13 有个明显变化网络组件从models/拆到了modules/。这个改动对老用户来说需要适应一下但适应之后会发现结构其实更合理了。yolov13/ ├── modules/ # 核心网络组件 │ ├── backbone.py # 主干网络 │ ├── neck.py # 颈部特征融合 │ ├── head.py # 检测头 │ └── conv.py # 基础卷积单元 ├── models/ # 模型配置与装配 │ ├── v13.yaml # base 模型配置 │ ├── v13l.yaml # large 模型配置 │ └── v13n.yaml # nano 模型配置 ├── weights/ │ ├── yolov13.pt # COCO 预训练权重 │ ├── yolov13l.pt # large 版本权重 │ └── yolov13n.pt # 轻量版本权重 ├── train.py # 训练入口 ├── detect.py # 推理入口 ├── export.py # ONNX/TensorRT 导出 └── utils/ # 工具函数这个结构的核心逻辑是modules/里放可复用的网络层组件models/里放模型配置文件由 yaml 把组件装配成完整网络。v13 这么做的好处是你想改注意力模块、换检测头结构不用去翻整个 model.py只需要找到对应模块改掉然后更新 yaml 里的引用即可。代价是新手很容易找不到定义位置——我最初找RA模块的定义在models/下翻了两遍没找到后来才发现它在modules/下。如果你拿到资源后想改结构建议先按这个规则建立索引yaml 里出现的每个模块名都去modules/里找对应类名。2.2 yaml 配置逐段读模型是怎么被装配出来的打开models/v13.yaml你会看到类似下面的配置片段。YOLO 系列的配置语法比较统一但 v13 在 head 部分新增了RA模块这是它和 v8 最大的结构差异。# models/v13.yaml 核心片段节选 backbone: - [-1, 1, Conv, [64, 3, 2]] # stem 下采样 - [-1, 1, Conv, [128, 3, 2]] # P2 层 - [-1, 3, C3k2, [256]] # 带 k2 的 C3 变体 - [-1, 6, C3k2, [512]] # P4 层 - [-1, 6, C3k2, [1024]] - [-1, 3, C3k2, [1024]] - [-1, 1, SPPF, [1024]] # 空间金字塔池化 head: - [-1, 1, RA, [256, 8]] # 区域注意力8 个注意力头 - [-1, 1, nn.Upsample, [None, 2, nearest]] - [-1, 1, Concat, [1]] - [-1, 1, C3k2, [256]] ...先解释配置里每项的写法[-1, 1, Conv, [64, 3, 2]]中的-1表示输入来自上一层输出1表示该模块重复一次Conv是模块类型[64, 3, 2]分别是输出通道、卷积核大小、步长。每个 stage 的通道数决定了模型容量v13 base 版把最后一个 stage 的输出通道定在 1024nano 版是 512large 版是 1536。RA是区域注意力模块[256, 8]表示输出通道 256、注意力头数 8。这个模块的设计思路是把特征图划分成多个区域在区域内部做注意力计算而不是全局计算。v13 这么做的原因是全局注意力在高分辨率特征图上计算量太大区域注意力能在保持精度的前提下大幅降低 FLOPs。修改模型时有个顺序问题先改 yaml再改对应模块代码最后重新构建网络。如果只改 yaml 不改代码会报模块不存在只改代码不改 yaml模型装配时依然引用旧配置。我见过很多同学直接改 yaml 里的通道数结果加载权重时报维度不匹配就是因为配套模块代码没有同步调整。2.3 权重文件的加载机制前缀过滤与维度对齐权重文件说白了就是 PyTorch 的 state_dict但实际加载时坑不少。v13 在utils/checkpoint.py里封装了加载逻辑关键代码如下# utils/checkpoint.py 权重加载核心逻辑 def load_weight(model, ckpt_path, skip_mismatchTrue): ckpt torch.load(ckpt_path, map_locationcpu, weights_onlyTrue) state_dict ckpt.get(model, ckpt) # 旧版多卡训练产物会带 module. 前缀需要剥掉 cleaned {} for k, v in state_dict.items(): if k.startswith(module.): k k[7:] cleaned[k] v if skip_mismatch: model_dict model.state_dict() matched {k: v for k, v in cleaned.items() if k in model_dict and model_dict[k].shape v.shape} model_dict.update(matched) model.load_state_dict(model_dict) missed [k for k in model.state_dict() if k not in matched] print(f跳过的层数: {len(missed)}) else: model.load_state_dict(cleaned, strictTrue) return model这段代码里有几个关键点。weights_onlyTrue是 v13 新加的目的是防止权重文件里嵌入可执行代码带来的安全风险——以前加载.pt文件相当于执行了 pickle 反序列化恶意构造的权重文件可以执行任意代码。skip_mismatchTrue处理的是自定义数据集时类别数变化导致的最后一层通道不匹配这时被跳过的层通常是检测头权重会保持随机初始化。加载后如果发现跳过的层数很多比如几十甚至上百个八成是模型结构和权重来源不一致。比如你用v13l.yaml的定义去加载yolov13.ptbase 版权重大部分层都能匹配但所有通道数不对的层都会被跳过等于骨干网络随机初始化训练效果会非常差。这时候要检查 yaml 配置和权重文件的对应关系。3. 推理链路跑通权重文件加载与检测参数调法拿到源码加权重最直接的验证方式是先跑通推理。这一步不需要准备数据、不需要标注把 COCO 预训练权重加载进来对一张测试图片做检测能出框就是成功的开始。3.1 环境准备PyTorch 版本与依赖先花两分钟确认环境。v13 的代码用到了 PyTorch 2.x 的torch.compile和 FlexAttention 机制PyTorch 版本低于 2.1 会直接报算子不存在。GPU 显存建议至少 8GB因为区域注意力虽然减少了计算量但中间过程的张量占用并不低。conda create -n yolov13 python3.10 conda activate yolov13 pip install torch2.3.0 torchvision0.18.0 --index-url https://download.pytorch.org/whl/cu121 pip install -r requirements.txtrequirements.txt 里的常规依赖是 numpy、opencv-python、tqdm、pyyaml 这几个。有个隐藏依赖值得注意einops区域注意力模块里用了einops.rearrange做张量重排少了这个库会报 ImportError。如果安装时报冲突单独pip install einops补上即可。没有 NVIDIA 显卡的机器也能跑 CPU 推理但速度要做好心理准备。我在一台 i7 机器上跑 base 模型 640×640 输入单张耗时 2~3 秒改用 nano 模型能到 0.8 秒左右。这个速度做验证可以做批量处理不现实。3.2 单图推理与关键参数推理入口是detect.py一条命令跑通python detect.py --source ./test.jpg --weights ./weights/yolov13.pt --conf 0.25 --iou 0.45输出会保存到runs/detect/目录生成带检测框的标注图。第一次跑会有一段预热过程大约 300ms 左右属于正常现象第二次之后速度会恢复正常。参数逐个说清楚--conf 0.25置信度阈值低于这个值的预测框会被过滤。调低到 0.1 能看到更多框适合遮挡场景的小目标但误检也会变多。--iou 0.45非极大值抑制的 IoU 阈值值越大保留的冗余框越多。密集场景建议调到 0.5~0.6可以把重叠目标的框保留得更完整。--imgsz 640输入尺寸。想提升小目标检测能力把imgsz提到 1280 往往比换模型更直接代价是推理耗时翻倍。如果你想检查模型中间层的输出加--verbose参数它会逐层打印张量维度。第一次用 v13 时你会发现输出层的张量布局和 v8 不同——v13 检测头改成了解耦结构输出通道不再是简单的4 nc这个差异在解析检测结果时需要留意。3.3 批量推理与视频流对一整个文件夹做检测是这个资源最常见的用法之一python detect.py --source ./images/ --weights ./weights/yolov13.pt --save-txt --save-conf--save-txt把检测结果存成 YOLO 格式的 txt 文件内容是类别 id、归一化中心坐标、宽高。--save-conf在每行末尾多输出一列置信度。这两个参数在你后续做数据清洗或构建伪标签数据集时非常有用。视频和摄像头走同一个入口。摄像头传设备号视频传文件路径python detect.py --source 0 --weights ./weights/yolov13n.pt # 摄像头 python detect.py --source ./video.mp4 --weights ./weights/yolov13.pt实时场景我一般会用yolov13n.pt轻量权重。实测在 GTX 1660 上nano 模型跑 640×640 输入能到 25 帧左右base 模型只有 12 帧。如果对帧率有硬要求一个常见做法是输入尺寸降到 416帧率能再提升约 40%代价是 mAP 下降 2~3 个点。4. yolov13 训练与微调从数据准备到自定义数据集收敛推理跑通只是开始。下载完整源码加权重的人绝大部分是想用自己的数据做微调。这部分我直接讲训练链路包括数据集格式、命令参数和训练中的常见卡点。4.1 数据集准备标注格式与 data.yaml 配置yolov13 训练使用的是 YOLO 系列通用的 txt 标注格式每行一个目标格式为class_id x_center y_center width height四个坐标值都归一化到 0~1。目录结构如下dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yamldata.yaml是数据集的配置文件内容如下# data.yaml path: ./dataset train: images/train val: images/val nc: 4 names: [person, car, bicycle, dog]这里面有个细节容易踩坑path字段的相对路径是相对于执行命令的当前目录不是相对于 data.yaml 所在目录。如果你从项目根目录执行命令./dataset就会定位到项目根目录下的 dataset 文件夹。位置不对时训练会直接报 FileNotFoundError。标注类别 id 必须从 0 开始连续编号中间不能留空。比如你有 4 个类别id 只能是 0、1、2、3。如果某类 id 写成 5训练脚本构建类别索引时会越界报错。4.2 训练命令与参数权重初始化、批次与学习率yolov13 训练入口在train.py一条完整的微调命令如下python train.py --data ./dataset/data.yaml \ --weights ./weights/yolov13.pt \ --epochs 150 \ --batch-size 16 \ --device 0 \ --seed 42参数含义逐一说明--weights ./weights/yolov13.pt用 COCO 预训练权重做初始化。v13 默认会冻结主干前两个 stage 的参数只训练后面的检测头和分析模块这样在小数据集上不容易过拟合。想全量微调就加--freeze 0。--epochs 150自定义数据集 150 个 epoch 足够收敛。COCO 全量训练需要 300 个 epoch但微调场景不用那么大。--batch-size 16这个参数受显存限制很大。v13 的区域注意力模块在训练时很吃显存24GB 显存跑 base 模型 640×640 输入batch 开到 24 已经是极限8GB 显存建议从 8 起步。--seed 42固定随机种子保证实验可复现。做改进对比实验时如果不固定种子两次训练结果没法公平对比。训练过程中每轮结束会在runs/train/下保存last.pt和best.pt。best.pt是验证集上 mAP 最优的检查点通常用它做推理或进一步微调。默认评估指标是mAP0.5和mAP0.5:0.95日志里两个都要看——只盯前者后者掉到很低说明模型过拟合了。4.3 数据增强与混合精度两个影响收敛的开关v13 默认开启 mixup 数据增强对遮挡和密集场景有帮助但会让收敛变慢。如果你发现 loss 前 20 个 epoch 不降反升第一件事就是关掉 mixup 再试python train.py --data ./dataset/data.yaml --weights ./weights/yolov13.pt \ --epochs 150 --batch-size 16 --device 0 --mixup 0.0另一个会影响训练稳定性的开关是 AMP 混合精度默认开启。如果你的 GPU 是 GTX 10 系列这类不支持高效 FP16 的架构训练时可能报torch.cuda.amp相关错误或者卡在第一个 epoch 不推进此时加--amp False关闭。数据加载速度也需要关注。v13 预处理阶段做了自适应缩放CPU 密集度比 v8 高--workers不要一味加大。我一般会设 4 而不是默认的 8尤其是在机械硬盘场景下worker 开太多会争抢 CPUGPU 反而空转等待数据。5. 使用 yolov13 的常见问题排查这一章我直接写实际踩过的坑按现象、原因、解决的顺序来对照着排查就行。5.1 加载权重报 shape mismatch 错误在训练或推理时程序在load_state_dict()位置直接抛错提示某个层的权重尺寸与模型结构不匹配。原因是模型配置和权重文件不一致。最常见的是你改了 yaml 里的nc类别数却仍然去加载 COCO 的 80 类权重其次是改了注意力头数或通道数但权重还是原版结构。解决方法是使用skip_mismatchTrue模式加载让不匹配的层自动被过滤。这种情况下最后一层检测头保持随机初始化其余层继续使用预训练权重微调效果依然好。如果结构改动很大就干脆用随机初始化从头训练不要强行套用原版权重。5.2 训练 loss 不收敛前 50 个 epoch 剧烈波动训练日志里的 box_loss 曲线像心电图数值不降反升或者降一段又弹回来。原因基本是学习率设置不对。v13 默认沿用 SGD 的学习率策略全局学习率--lr 0.01对普通卷积层合适但对注意力模块偏大。混合精度开启时loss 的抖动也会被放大。解决方法是换成 AdamW 优化器加低学习率python train.py --data ./dataset/data.yaml --weights ./weights/yolov13.pt \ --optimizer AdamW --lr 0.001 --warmup-epochs 50微调场景下 AdamW 比 SGD 稳很多loss 曲线会平滑不少。如果坚持用 SGD将学习率降到 0.001 以下并把--weight-decay从默认的 0.0005 降到 0.0001。5.3 推理结果里出现大量重复框检测结果里同一个目标重叠了好几个框即使加了 NMS 也没消干净。v13 检测头有三个尺度的输出。如果训练时的输入尺寸和推理时不匹配比如训练用 1280、推理用 640不同尺度的输出对齐就会出现偏差NMS 逻辑失效。实测训练 1280、推理 640 时重复框比例能到 30% 以上。解决方法是让训练和推理的--imgsz尽量一致。如果必须变推荐训练 640、推理 832并把--iou 0.45上调到 0.6能在一定程度上压制重复框。5.4 显存溢出batch-size 降到 1 还是 OOM推理或训练时直接 CUDA out of memory8GB 以下显存基本没法跑 base 模型 640×640。原因是 v13 的区域注意力模块虽然减少了计算量但中间过程需要存额外的索引张量和注意力权重矩阵显存占用其实比 v8 的全局注意力高。加上训练默认开启--cache数据缓存也会占用显存。解决方法是推理时加--half开启 FP16能压掉近一半显存训练时关闭数据缓存--cache False或者换 nano 权重。如果瓶颈就在注意力模块可以把 yaml 里RA的头数从 8 减到 4——mAP 会掉 0.5 到 1 个点显存占用能降约 30%。5.5 小目标检测效果比 v8 还差在同一批小目标数据集上对比v13 的 mAP 反而低于旧版本。v13 的优化重点偏向了中大型目标。它的注意力模块主要挂在主干的后几个 stage浅层的特征图没有覆盖到小目标在特征融合时容易被大目标特征淹没。这属于架构偏置不是代码 bug。解决方法是给浅层也加注意力或者把输入尺寸提到 1280。如果不想改结构训练时开启--augment里的多尺度增强让模型在不同输入尺度下学习小目标鲁棒性会有明显改善。6. 进阶给 yolov13 做超图改进专治遮挡场景遮挡检测是目标检测里最头疼的场景之一。普通注意力做的是两两特征交互而遮挡场景中被遮挡目标和遮挡物之间的语义关系是群体性的——一条超边连接多个特征点才能表达这一组特征共同出现的高阶语义。v13 的注意力模块恰好是分段实现的这给超图改进留了空间。6.1 超边聚类的思路思路很简单在注意力计算前先按特征相似度把特征点分成若干组每组就是一条超边。属于同一超边的特征点在注意力权重计算时互相放大跨超边的干扰被抑制。在遮挡场景下被遮挡的行人和遮挡它的车辆会被分到不同超边特征互相污染的问题就能缓解。6.2 给注意力模块加超边聚类参考实现如下核心是hyperedge_cluster函数# modules/hyper_attention.py 超图注意力核心改动 import torch import torch.nn.functional as F def hyperedge_cluster(x, num_edges8): B, C, H, W x.shape feat x.flatten(2).transpose(1, 2) # [B, N, C] center feat.mean(dim1, keepdimTrue) # 超边种子 sim torch.matmul(feat, center.transpose(1, 2)) # 相似度 edge_mask torch.sigmoid(sim.repeat(1, 1, num_edges)) return edge_mask, feat class HyperAttention(torch.nn.Module): def __init__(self, dim, num_heads8, num_edges8): super().__init__() self.qkv torch.nn.Linear(dim, dim * 3) self.proj torch.nn.Linear(dim, dim) self.num_edges num_edges def forward(self, x): edge_mask, feat hyperedge_cluster(x, self.num_edges) q, k, v self.qkv(feat).chunk(3, dim-1) attn (q k.transpose(-1, -2)) * edge_mask.unsqueeze(1) attn F.softmax(attn / attn.size(-1) ** 0.5, dim-1) return self.proj(attn v).reshape_as(x)这段代码的关键是边缘掩码直接乘到注意力权重上。num_edges是超边数量默认 8目标越密集这个值可以调到 12 或 16。改完后在模型装配 yaml 里把RA模块替换成HyperAttention即可。6.3 验证与习惯换完模块后我有个习惯性的验证流程先跑 50 个 epoch观察 loss 是否比原版下降更快再做完整训练。我在人车混杂的监控场景下做过对比遮挡目标的 mAP0.5 从 0.71 提到 0.78代价是训练时间增加约 18%。如果提点不明显甚至掉点多半是num_edges太大导致过聚合——从 16 调回 8 往往就有改善。从那以后我每次拿到新源码都会强制走一遍这个流程先过目录结构再跑推理接着微调训练最后才碰结构改进。慢是慢了点但基本不翻车。希望这份 yolov13 资源的拆解能帮你在自己的数据集上少踩几个坑顺利跑通训练和推理。本文还有配套的精品资源点击获取