1. مقدمة البرنامج التعليمي

YOLOv13 هو نموذج لاكتشاف الأجسام، اقترحه في يونيو 2025 فريق بحثي مشترك من جامعة تسينغهوا، وجامعة تاييوان للتكنولوجيا، وجامعة شيان جياوتونغ، وجامعات أخرى. بناءً على مزايا الكشف الفوري من سلسلة YOLO، يُقدم هذا النموذج سلسلة من الآليات الجديدة، بما في ذلك تحسين الرسم البياني الفائق، والنمذجة الدلالية عالية المستوى، وإعادة بناء الهياكل البسيطة. يحقق هذا النموذج ريادة شاملة في مجموعات البيانات الرئيسية مثل MS COCO وPascal VOC، مما يُظهر قدرة تعميمية أقوى وتطبيقًا عمليًا. عنوان الورقة البحثية ذات الصلة هو "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}
}