码科智能 | 大幅提升复杂场景精度？YOLOv13轻量化目标检测开源了，从局部感知到高阶语义关联！

本文来源公众号“码科智能”，仅用于学术分享，侵权删，干货满满。

原文链接：大幅提升复杂场景精度？YOLOv13轻量化目标检测开源了，从局部感知到高阶语义关联！

YOLO系列模型已经在工业界占据了绝对的主导地位，近两三年的时间版本从YOLOv5快速迭代至YOLOv12，每一个版本都具有其独特的优势，但从大的方向上仍然有需要改进的。

一方面，随着VLM大模型的快速更迭，我们也希望拥有零样本能力的目标检测模型，去年有两篇有影响力的系列工作，一篇是YOLO-World，一篇是YOLOE。

另一方面，我们也希望拥有Transformer的全局建模能力，以及进一步地高阶语义方面的关联。比如，人类在对一件事物进行推理的时候，是将大脑中的已知信息结合起来，再进行推理思考。如下图（a）中非常小的目标（用红色框标记），人类仍然能够识别出它是一个“监控摄像头”。一方面是因为这个小目标看起来与人类记忆中的“监控摄像头”相似，因为我们之前在图片（b）中见过类似的监控摄像头；另一方面，这个小的电子设备安装在建筑物上，并且正对着路上行驶的汽车，因此很可能是一个监控摄像头。

在目标检测领域，一些传统的算法往往只关注于识别图像中的各个对象，而忽视了对象之间的语义联系。这种方法将每个检测区域视为独立单元，不同目标间的高阶语义关联推理限制了目标检测的性能。

以YOLO模型为例，它在处理跨层级特征融合和解析高阶特征关系时存在局限，缺乏捕获全局多对多高阶相关性的能力。这种局限性限制了模型对场景中对象关系的深入理解，也限制了模型在复杂场景下的检测性能。

一、高阶语义关联怎么做？  

在视觉数据中，不同的对象在空间、时间和语义上相互作用，形成了复杂的相关性。这些相关性可能是成对的（低阶）或更复杂的基于群体的相关性（高阶）。在清华团队提出YOLOv13之前，去年就首次将超图计算引入目标检测领域，以实现视觉高阶语义关联的建模与学习。

超图计算是一种图论中的推广形式，它是一种高效的特征表示学习方法，用于捕捉和建模数据中的复杂关系。在传统的图中，每条边只能连接两个顶点，而在超图中，一条超边可以连接两个以上的顶点，这使得超图能够表示对象之间的高阶关联，即多个对象之间的关联关系。如下图所示给定一张图像，提取场景中可见的一组对象，并考虑所有节点之间的可能关系。

但是如何克服超图计算范式中由于手工超参数导致的鲁棒性不足？清华团队提出的YOLOv13提出了一种基于超图的自适应相关性增强机制，该机制通过自适应利用潜在相关性，高效地建模跨位置和跨尺度的语义交互。

HyperACE 包括两个关键组件：可学习超边构建模块，根据特征距离自动判断哪些像素应被归为一组，替代传统手工设定阈值的方式；线性复杂度的消息传递机制，以极低成本聚合多尺度特征，并引导模型聚焦于真正相关的区域。

相比传统图建模方式，HyperACE 更擅长处理以下挑战：目标被部分遮挡、多个高度相似目标共存以及大范围尺度变化。

二、基于超图的YOLO网络结构如何做？  

YOLOv13模型的网络架构如下。以从骨干网络中提取的多尺度特征作为输入，HyperACE自适应地探索高阶相关性，并实现特征增强和融合。然后，通过FullPAD通道将相关性增强的特征分配到整个网络，以实现复杂场景下的准确目标检测。

Hyper-YOLO模型的网络架构如下。其中骨干网络通过引入混合聚合网络（MANet）来增强特征提取能力，从五个特征层中获取信息；Neck部分中融入了超图计算，实现高阶信息的跨层次和跨位置传播。

最后再看下精度指标等参数对比，其他详细细节可查阅原论文及代码。

将高阶语义关联建模引入主流检测框架，突破了传统成对建模的局限，带来了更强的复杂场景感知能力。开源代码链接如下：

# 论文链接
https://arxiv.org/pdf/2506.17733
# 代码链接
https://github.com/iMoonLab/yolov13

THE END !

文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。