Les modèles de la série YOLO dominent le domaine de la détection d’objets en temps réel grâce à leur précision supérieure et à leur efficacité computationnelle. Toutefois, tant les architectures convolutionnelles des versions YOLO11 et antérieures que le mécanisme d’attention auto-adaptative basé sur les régions introduit dans YOLOv12 sont limités à une agrégation d’informations locales et à un modèle de corrélation par paires, sans capacité à capturer les corrélations hautement ordonnées globales multi-à-multi, ce qui entrave leurs performances dans des scénarios complexes. Dans cet article, nous proposons YOLOv13, un détecteur d’objets précis et léger. Pour relever ces défis, nous introduisons un mécanisme de renforcement adaptatif des corrélations basé sur les hypergraphes (HyperACE), qui exploite de manière adaptative les corrélations hautement ordonnées implicites et surmonte la limitation des méthodes précédentes restreintes au modèle de corrélation par paires, en s’appuyant sur un calcul d’hypergraphes, permettant ainsi une fusion et un renforcement efficaces des caractéristiques globales à travers les emplacements et les échelles. Ensuite, nous proposons un paradigme d’agrégation et de distribution sur l’ensemble du pipeline (FullPAD) fondé sur HyperACE, qui permet efficacement un flux d’information à fine échelle et une synergie de représentation à travers l’ensemble du réseau, en distribuant les caractéristiques renforcées par corrélation à l’ensemble du pipeline. Enfin, nous proposons d’utiliser des convolutions séparables en profondeur pour remplacer les convolutions classiques à noyau large, et de concevoir une série de blocs qui réduisent significativement le nombre de paramètres et la complexité computationnelle sans compromettre les performances. Nous menons des expériences étendues sur le benchmark largement utilisé MS COCO, et les résultats expérimentaux démontrent que notre méthode atteint des performances de pointe avec un nombre réduit de paramètres et d’opérations flottantes (FLOPs). Plus précisément, notre YOLOv13-N améliore le mAP de 3,0 % par rapport à YOLO11-N et de 1,5 % par rapport à YOLOv12-N.