YOLO系列模型因其卓越的精度与计算效率，在实时目标检测领域占据主导地位。然而，YOLO11及更早版本所采用的卷积架构，以及YOLOv12中引入的基于区域的自注意力机制，均局限于局部信息聚合与成对相关性建模，难以捕捉全局的多对多高阶相关性，从而在复杂场景下限制了检测性能的进一步提升。本文提出YOLOv13，一种高精度且轻量级的目标检测器。为解决上述问题，我们提出一种基于超图的自适应相关性增强机制（Hypergraph-based Adaptive Correlation Enhancement, HyperACE），该机制能够自适应地挖掘潜在的高阶相关性，突破了以往方法仅限于基于超图计算的成对相关性建模的局限，实现了高效的全局跨位置、跨尺度特征融合与增强。随后，我们基于HyperACE提出全管道聚合与分发（Full-Pipeline Aggregation-and-Distribution, FullPAD）范式，通过将增强后的相关性特征分布至网络全管道，有效实现了网络内部细粒度的信息流动与表征协同。最后，我们采用深度可分离卷积替代传统的大型卷积核卷积操作，并设计了一系列高效模块，在不牺牲性能的前提下显著降低了模型参数量与计算复杂度。我们在广泛使用的MS COCO基准数据集上进行了大量实验，结果表明，所提方法在参数量与浮点运算次数（FLOPs）更少的情况下，达到了当前最优的检测性能。具体而言，我们的YOLOv13-N相较于YOLO11-N提升了3.0%的mAP，相较于YOLOv12-N提升了1.5%的mAP。