1. مقدمة البرنامج التعليمي

يُعدّ YOLOv13 نموذجًا للكشف عن الأجسام، طُوّر في يونيو 2025 من قِبل فريق بحثي مشترك من جامعة تسينغهوا، وجامعة تاييوان للتكنولوجيا، وجامعة شيآن جياوتونغ، وجامعات أخرى. وبالاستناد إلى مزايا الكشف الفوري في سلسلة YOLO، يُقدّم هذا النموذج مجموعة من الآليات الجديدة، بما في ذلك تحسين الرسم البياني الفائق، والنمذجة الدلالية عالية المستوى، وإعادة بناء البنية الخفيفة. وقد حقق ريادة شاملة على مجموعات البيانات الرئيسية مثل MS COCO وPascal VOC، مُظهرًا قدرة تعميم أقوى وتطبيقًا عمليًا. تتوفر أوراق بحثية ذات صلة. YOLOv13: اكتشاف الكائنات في الوقت الفعلي باستخدام الإدراك البصري التكيفي المعزز بالرسم البياني الفائق .

يستخدم هذا البرنامج التعليمي بطاقة RTX 5090 واحدة كمورد.

2. أمثلة المشاريع

صورة

فيديو

3. خطوات التشغيل

1. بعد بدء تشغيل الحاوية، انقر فوق عنوان API للدخول إلى واجهة الويب

2. خطوات الاستخدام

إذا تم عرض "بوابة سيئة"، فهذا يعني أن النموذج قيد التهيئة. نظرًا لأن النموذج كبير الحجم، يرجى الانتظار لمدة 2-3 دقائق وتحديث الصفحة.

صورة

فيديو

وصف المعلمة

• النماذج: yolov13n.pt (نانو)، yolov13s.pt (صغير)، yolov13l.pt (كبير)، yolov13x.pt (كبير جدًا). تتميز النماذج الأكبر عادةً بدقة أعلى (mAP)، بالإضافة إلى عدد معاملات أعلى، وتكلفة حسابية أعلى (FLOPs)، ووقت استدلال أطول.
• عتبة الثقة: عتبة الثقة.
• عتبة التقاطع على الاتحاد (IoU): عتبة التقاطع على الاتحاد (IoU)، المستخدمة في NMS.
• الحد الأقصى للاكتشافات لكل صورة: الحد الأقصى لعدد مربعات الاكتشاف لكل صورة.

🖌️ إذا رأيت مشروعًا عالي الجودة، فيرجى ترك رسالة في الخلفية للتوصية به! بالإضافة إلى ذلك، قمنا أيضًا بتأسيس مجموعة لتبادل الدروس التعليمية. مرحبًا بالأصدقاء لمسح رمز الاستجابة السريعة وإضافة [برنامج تعليمي SD] للانضمام إلى المجموعة لمناقشة المشكلات الفنية المختلفة ومشاركة نتائج التطبيق↓

معلومات الاستشهاد

معلومات الاستشهاد لهذا المشروع هي كما يلي:

@article{yolov13,
  title={YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception},
  author={Lei, Mengqi and Li, Siqi and Wu, Yihong and et al.},
  journal={arXiv preprint arXiv:2506.17733},
  year={2025}
}