أولاً، مقدمة الدليل

يُعد نموذج Yolov13 للكشف عن الأشياء الذي قدمته فريق بحث مشترك ضم جامعات مثل جامعة تشينغهوا وجامعة تاي يوان للعلوم والتكنولوجيا وجامعة شي'an جياوتونغ في يونيو 2025. يستند هذا النموذج إلى مزايا الكشف الفوري لسلسلة YOLO مع إدخال آليات جديدة تشمل تعزيز الرسم البياني الفائق والنمذجة الدلالية عالية المستوى وإعادة هيكلة البنية خفيفة الوزن، محققاً تفوقاً شاملاً على مجموعات البيانات الرئيسية مثل MS COCO وPascal VOC، مما يُظهر قدرة تعميم أقوى وملاءمة عملية للنشر. تُقدّم الورقة البحثية ذات الصلة تحت عنوان YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception.

يعتمد هذا الدليل على بطاقة رسومية واحدة من نوع RTX 5090.

ثانياً، أمثلة المشروع

صورة

فيديو

ثالثاً، خطوات التشغيل

1. بعد تشغيل الحاوية، انقر على رابط واجهة برمجة التطبيقات للدخول إلى الواجهة الرسومية

2. خطوات الاستخدام

إذا ظهر خطأ «بوابة سيئة» (Bad Gateway)، فهذا يعني أن النظام يقوم بتهيئة النموذج؛ نظراً لحجمه الكبير، يرجى الانتظار لمدة 2-3 دقائق ثم تحديث الصفحة.

صورة

فيديو

شرح المعاملات

• النموذج: yolov13n.pt (نانو)، yolov13s.pt (صغير)، yolov13l.pt (كبير)، yolov13x.pt (فائض الكبر). كلما كبر حجم النموذج زادت دقّته (mAP)، لكن ذلك يزيد أيضاً من عدد البارامتريات وحساب العمليات الحسابية (FLOPs) وزمن الاستدلال.
• عتبة الثقة: عتبة ثقة النتائج.
• عتبة تقاطع الاتحاد (IoU): العتبات المستخدمة لعملية التصفية غير القصوى (NMS).
• الحد الأقصى لأطراف الكشف لكل صورة: أقصى عدد للإطار المكتشف في كل صورة.

🖌️ إذا صادفت مشاريع متميزة، نرحب بتوصياتكم عبر الرسائل الخاصة! كما أننا قمنا بإنشاء مجموعة دردشة خاصة بالدروس، ندعو الجميع للمسح الضوئي والكتابة بملاحظة "SD Tutorial" للانضمام لمناقشة القضايا التقنية المختلفة وتبادل نتائج التطبيق ↓

[JIALIU_0]

معلومات الاقتباس

إليك المعلومات المرجعية لهذا المشروع:

@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}
}