- 综合排序
- 最热优先
- 最新优先
C# winform部署yolov13目标检测的onnx模型
yolov13官方框架：github.com/iMoonLab/yolov13/releases/tag/yolov13 【测试环境】 vs2019 netframework4.7.2 opencvsharp4.8.0 } capture.Release(); } } } 【运行步骤】 （1）首先依据官方安装教程或者其他网站给的安装教程，安装好yolov13
30600编辑于 2025-07-22C++使用yolov13结合bytetrack实现目标追踪演示
【简介】 在C++中实现YOLOv13的目标检测与ByteTrack的多目标追踪是一个相对复杂的过程，涉及到深度学习、计算机视觉和实时数据处理等多个领域。 YOLOv13（You Only Look Once，版本13）是一种实时目标检测算法，它通过在单个网络中同时预测所有目标的位置和类别来实现高效的目标检测。 在C++中实现YOLOv13和ByteTrack的结合，需要以下几个步骤： 加载YOLOv13模型：首先，你需要加载预训练的YOLOv12模型。 此外，由于YOLOv13和ByteTrack都是比较新的技术，因此可能需要使用较新的深度学习框架和库来支持。 总的来说，在C++中实现YOLOv13和ByteTrack的多目标追踪是一个具有挑战性的任务，但它为实时目标检测和追踪提供了强大的工具。
34700编辑于 2025-07-22使用纯opencv部署yolov13目标检测onnx模型
【算法介绍】 论文提出了YOLOv13模型，其核心包含三大创新： a. 基于超图的自适应相关性增强机制 (HyperACE) YOLOv13的最核心创新，旨在有效捕捉特征间潜在的高阶关联。 深度可分离卷积轻量化设计 为保证模型的高效率，YOLOv13采用深度可分离卷积（Depthwise Separable Convolution, DSConv）作为基础单元，设计了一系列轻量化模块（如DSConv using namespace std; using namespace cv; using namespace dnn; template<typename _Tp> int yolov13(_Tp /yolov13n.onnx"; Yolov13 detector; video_demo(detector, detect_model_path); }
51300编辑于 2025-07-22YOLOv13 实战指南：优缺点、训练方法、注意事项全都有
当然，如果你是来查论文细节、性能对比、完整功能介绍的，不妨先看我另一篇YOLOv13重磅发布！ 如何使用 YOLOv13 模型？你可能会问：“那我该怎么用 YOLOv13 呢？”其实很简单，YOLOv13也是使用Ultralytics Python包的第三方实现。 有人已经在GitHub提了issue，希望官方集成YOLOv13，但Ultralytics表示由于YOLOv13是第三方实现，而非官方的 Ultralytics 模型。 当然也有人表示愿意提交一个关于将YOLOv13添加到Ultralytics 的PR。 三、那我到底要不要训练 YOLOv13？我的建议是：可以尝试！虽然 YOLOv13 不是“完美升级版”，但它的性能确实值得一试。
1.3K10编辑于 2025-07-02基于C++和onnxruntime部署yolov13的onnx模型
基于C++和ONNX Runtime部署YOLOv13的ONNX模型，可以遵循以下步骤： 准备环境：首先，确保已经下载后指定版本opencv和onnruntime的C++库。 模型转换： 安装好yolov13环境并将YOLOv13模型转换为ONNX格式。这通常涉及使用深度学习框架（如PyTorch或TensorFlow）加载原始模型，并导出为ONNX格式。 转换指令 # End-to-End ONNX yolo export model=yolov13{n/s/m/b/l/x}.pt format=onnx opset=13 simplify C++ 加载模型：使用ONNX Runtime的API加载转换后的YOLOv13 ONNX模型。 执行推理：通过ONNX Runtime的推理引擎，将图像数据输入到模型中，并执行目标检测任务。 通过这些步骤，可以在C++环境中利用ONNX Runtime高效地部署YOLOv13模型，实现实时的目标检测功能。
76910编辑于 2025-07-22YOLOv13重磅发布！Coovally平台可一键调用，体验超图建模带来的检测性能飞跃
一、YOLOv13 有多强？ mAPCPU 推理速度最快可达 25FPS在复杂场景下，小目标检测明显更稳二、YOLOv13：升级了哪些核心能力？ 一句话总结：YOLOv13 不是小改，而是一次架构级的“重构+轻量融合”大更新。 八、泛化能力更强：VOC测试也表现稳健YOLOv13 的优秀不仅体现在 COCO 数据集，在跨域测试中依然出色：说明 YOLOv13 更懂“举一反三”，不仅学得好，也泛得开。 未来，如果你想做目标检测模型优化、端侧部署，或者需要一个“复杂场景也能应对”的强大检测模型，YOLOv13 一定是你绕不开的一环。
4.3K20编辑于 2025-06-26- 来自专栏DeepHub IMBA
YOLOv13新手教程带你快速上手
YOLOv13（You Only Look Once v13）是2025年6月最新发布的目标检测模型，代表了当前目标检测技术的最新发展成果。 作为YOLO系列的最新版本，YOLOv13在检测精度和运行效率方面都有显著提升。本文将详细介绍YOLOv13的完整实现流程，涵盖数据集准备、模型训练、验证评估以及实际应用等关键环节。 YOLOv13模型概述 YOLOv13是YOLO系列的最新版本，专门针对目标检测任务进行优化。该模型能够实时检测图像中的目标对象并生成精确的边界框。需要注意的是，目前YOLOv13主要支持检测任务。 YOLOv13提供了多种规模的模型架构以适应不同的应用场景和性能需求。 模型命名规则为yolov13{size}.{extension}，例如yolov13n.pt或yolov13x.yaml。 需要特别注意的是，YOLOv13与其他YOLO系列模型的获取方式不同。
2K10编辑于 2025-08-20 YOLO新版本已经到13，为何落地首选仍是 v5/v8？
【导读】你可能已经听说过，YOLO 系列目标检测模型已经迭代到了 YOLOv13。 相比之下，YOLOv13、YOLOv12 等虽然看起来“版本号更高”，但往往处于刚发布的早期阶段：代码尚不稳定、社区响应慢、部署支持不足，不适合直接落地。 YOLOv13 虽然在某些 benchmark 上表现亮眼，但可能模型更复杂、计算资源需求更高，并不适合边缘部署或大规模部署。 而如果你一上来就用 YOLOv13，可能评审还要花时间去理解模型结构、代码实现、训练细节，影响论文接受效率。 换句话说，YOLOv5/v8 是一套“学术通用语言”，而 YOLOv13 还只是“尝试方言”。
5.4K10编辑于 2025-07-21将yolov13封装成类几句代码实现目标检测任务
【算法介绍】 YOLOv13 的创新点主要体现在以下几个方面： 超图自适应相关性增强机制 HyperACE 超图理论借鉴与创新 ：借鉴超图理论，将多尺度特征图的像素视为超图顶点，不同的是，传统超图方法依赖手工设定参数构建超边 性能与效率平衡 ：在几乎不牺牲性能的前提下，显著减少了模型的参数量和计算复杂度，使得 YOLOv13 能够在保持较高检测精度的同时，具备更快的推理速度，适合实时目标检测应用场景，降低了模型的部署难度和资源消耗 提出的方法 为实现上述目标，论文提出了YOLOv13模型，其核心包含三大创新： a. 基于超图的自适应相关性增强机制 (HyperACE) YOLOv13的最核心创新，旨在有效捕捉特征间潜在的高阶关联。 基本原理：该机制借鉴了超图（Hypergraph）的理论。 【框架地址】 github.com/iMoonLab/yolov13/releases/tag/yolov13 【视频演示】 www.bilibili.com/video/BV1gqKRzMEtG/ 【
36700编辑于 2025-07-22- 来自专栏YOLO大作战
YOLOv13改进：轻量化卷积魔改 | 动态卷积DynamicConv ，全面优化YOLOv13中的DSConv和DSC3k2，且显著提高了模型的性能
如何使用：1）动态卷积DynamicConv代替YOLOv13中的DSConv；2）C3k2_DynamicConv代替YOLOv13中的DSC3k2； 在多个数据集上涨点的前提下，原始6.4 GFLOPs 降低至6.2 GFLOPs，具体实验性能如下表 YOLOv13 summary: 648 layers, 2,461,081 parameters, 2,461,065 gradients, 6.4 GFLOPs 1.YOLOv13介绍论文：[2506.17733] YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual 本文提出了一种准确且轻量化的 YOLOv13 目标检测器。 具体而言，如图 2 所示，我们的 YOLOv13 模型首先使用类似以往工作的骨干网络提取多尺度特征图 B1、B2、B3、B4、B5，但其中的大核卷积被我们提出的轻量化 DS-C3k2 模块取代。
1K10编辑于 2025-07-14 - 来自专栏YOLO大作战
《YOLOv13：基于超图增强自适应视觉感知的实时目标检测》原理、代码详解
本文提出了一种准确且轻量化的 YOLOv13 目标检测器。 为应对上述挑战，我们提出了 YOLOv13，一款新颖的实时突破性端到端目标检测器。 我们的贡献总结如下： 1）我们提出了 YOLOv13，一款卓越的实时端到端目标检测器。 实验结果表明，我们的 YOLOv13 在保持轻量化的同时，实现了最先进的检测性能。 A. 从表中可以看出，我们 YOLOv13 模型的所有变体在保持轻量化的同时均实现了最先进的性能。
4.2K40编辑于 2025-06-26 YOLOv13都来了，目标检测还卷得动吗？别急，还有这些新方向！
就在大家还在研究多模态和大模型融合时，YOLOv13 的发布再次把目标检测领域推上热搜，但目标检测，这个曾经被视为CV领域“基础中的基础”，如今也在被频繁问到：“还值得做吗？”但真是这样吗？ 一、YOLOv13：速度依旧，但创新在哪里？先说最近热度最高的 YOLOv13。作为目标检测界的“王者系列”，YOLO 的每一次更新都牵动着开发者神经。YOLOv13 相较 YOLOv8，有什么提升？ 多模态融合： 图像 + 语言输入，共同决策大模型接口适配： 类似 OpenSeeD，让检测与 LLM 协同工作小样本 & 零样本： PromptDet、YOLO-World，提升泛化能力边缘侧部署需求旺盛： YOLOv13
2.3K10编辑于 2025-07-03使用C++部署yolov13目标检测的tensorrt模型支持图片视频推理windows测试通过
最近悄悄出了yolov13框架，标志着目标检测又多了一个检测利器，于是尝试在windows下部署yolov13的tensorrt模型，并最终成功。 下面具体怎么部署，首先去yolov13官方仓库下载yolo13模型，这样下载yolov13n.pt 然后将pt模型放进项目里面，切换自己安装好的yolov13环境里面并切换到项目目录，使用下面命令直接转换
46610编辑于 2025-07-22- 来自专栏YOLO大作战
如何用自己的数据集训练YOLOv13以及提升精度（NEU-DET为案列展开）
本文内容：如何用自己的数据集训练YOLOv13，在NEU-DET任务中不使用预训练模型，YOLOv13原始mAP50为0.742；使用预训练模型，YOLOv13原始mAP50为0.762 v10、11、v12、v13优化创新，轻松涨点和模型轻量化；2）目标检测、语义分割、OCR、分类等技术孵化，赋能智能制造，工业项目落地经验丰富； 1.YOLOv13介绍论文：[2506.17733] YOLOv13 本文提出了一种准确且轻量化的 YOLOv13 目标检测器。 具体而言，如图 2 所示，我们的 YOLOv13 模型首先使用类似以往工作的骨干网络提取多尺度特征图 B1、B2、B3、B4、B5，但其中的大核卷积被我们提出的轻量化 DS-C3k2 模块取代。 This is the core module of YOLOv13, designed to model both global high-order correlations and local
1.2K10编辑于 2025-07-01 - 来自专栏YOLO大作战
YOLOv13-seg分割如何训练自己的数据集（道路分割缺陷）
本文内容：如何用自己的数据集（道路缺陷）训练yolo11-seg模型以及训练结果可视化； YOLOv13Mask mAP50 为 0.692 ，YOLO11 Mask mAP50 为 0.673 《YOLOv13 魔术师专栏》将从以下各个方向进行创新： 链接： YOLOv13魔术师订阅链接 【原创自研模块】【多组合点优化】【注意力机制】【卷积魔改】【block&多尺度融合结合】【损失&IOU优化】【上下采样优化 ☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️ ☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️ 1.YOLOv13介绍 论文：[2506.17733] YOLOv13: 本文提出了一种准确且轻量化的 YOLOv13 目标检测器。 具体而言，如图 2 所示，我们的 YOLOv13 模型首先使用类似以往工作的骨干网络提取多尺度特征图 B1、B2、B3、B4、B5，但其中的大核卷积被我们提出的轻量化 DS-C3k2 模块取代。
1.1K10编辑于 2025-07-23 - 来自专栏YOLO大作战
YOLOv13-pose关键点检测：新颖的特征融合方法-金字塔稀疏 Transformer（PST），助力pose检测
YOLOv13+PST Pose mAP50 为0.909， YOLOv13 Pose mAP50 为0.893，相较于YOLO11的Pose mAP50 为 0.871 ，大幅提升 《YOLOv13 ☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️ ☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️ 1.YOLOv13介绍论文：[2506.17733] YOLOv13: Real-Time 本文提出了一种准确且轻量化的 YOLOv13 目标检测器。 具体而言，如图 2 所示，我们的 YOLOv13 模型首先使用类似以往工作的骨干网络提取多尺度特征图 B1、B2、B3、B4、B5，但其中的大核卷积被我们提出的轻量化 DS-C3k2 模块取代。 性能与效率平衡 ：在几乎不牺牲性能的前提下，显著减少了模型的参数量和计算复杂度，使得 YOLOv13 能够在保持较高检测精度的同时，具备更快的推理速度，适合实时目标检测应用场景，降低了模型的部署难度和资源消耗
70410编辑于 2025-09-12 - 来自专栏贾志刚-OpenCV学堂
TensorRT10.8 C++ 部署YOLO13
首先下载YOLO13的预训练模型，直接从Tag下面下载即可： https://github.com/iMoonLab/yolov13/tags 下载YOLOv13n.pt文件，然后通过如下的脚本转换为ONNX 然后再通过TensorRT的命令行转换为engine文件： trtexec.exe --onnx=yolov13n.onnx --saveEngine=yolov13n.engine 通过Netron可以查看YOLOv13
13310编辑于 2026-04-02 - 来自专栏贾志刚-OpenCV学堂
TensorRT10.8C++部署YOLO13
首先下载YOLO13的预训练模型，直接从Tag下面下载即可： https://github.com/iMoonLab/yolov13/tags 下载YOLOv13n.pt文件，然后通过如下的脚本转换为ONNX 然后再通过TensorRT的命令行转换为engine文件： trtexec.exe --onnx=yolov13n.onnx --saveEngine=yolov13n.engine 通过Netron可以查看YOLOv13
11110编辑于 2026-04-02 [深度学习][python]yolov13+deepsort+pyqt5实现目标追踪
【算法介绍】 YOLOv13 的创新点主要体现在以下几个方面： 超图自适应相关性增强机制 HyperACE 超图理论借鉴与创新 ：借鉴超图理论，将多尺度特征图的像素视为超图顶点，不同的是，传统超图方法依赖手工设定参数构建超边 性能与效率平衡 ：在几乎不牺牲性能的前提下，显著减少了模型的参数量和计算复杂度，使得 YOLOv13 能够在保持较高检测精度的同时，具备更快的推理速度，适合实时目标检测应用场景，降低了模型的部署难度和资源消耗 提出的方法 为实现上述目标，论文提出了YOLOv13模型，其核心包含三大创新： a. 基于超图的自适应相关性增强机制 (HyperACE) YOLOv13的最核心创新，旨在有效捕捉特征间潜在的高阶关联。 基本原理：该机制借鉴了超图（Hypergraph）的理论。 深度可分离卷积轻量化设计 为保证模型的高效率，YOLOv13采用深度可分离卷积（Depthwise Separable Convolution, DSConv）作为基础单元，设计了一系列轻量化模块（如DSConv
39200编辑于 2025-07-15[深度学习][python]yolov13+bytetrack+pyqt5实现目标追踪
【算法介绍】 论文提出了YOLOv13模型，其核心包含三大创新： a. 基于超图的自适应相关性增强机制 (HyperACE) YOLOv13的最核心创新，旨在有效捕捉特征间潜在的高阶关联。 深度可分离卷积轻量化设计 为保证模型的高效率，YOLOv13采用深度可分离卷积（Depthwise Separable Convolution, DSConv）作为基础单元，设计了一系列轻量化模块（如DSConv
33900编辑于 2025-07-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号