YOLO算法更新速度很快，已經出到V13版本，后續大家有想發論文或者搞項目可更新自己的baseline了。

摘要：YOLO 系列模型憑借其卓越的精度和計算效率，在實時目標檢測領域占據主導地位。然而，YOLOv11 及早期版本的卷積架構，以及 YOLOv12 中引入的基于區域的自注意力機制，均局限于局部信息聚合和成對關聯建模，缺乏捕捉全局多對多高階相關性的能力，這限制了其在復雜場景下的檢測性能。本文提出了一種精確且輕量級的目標檢測器 ——YOLOv13。為應對上述挑戰，我們提出了基于超圖的自適應關聯增強（Hypergraph-based Adaptive Correlation Enhancement, HyperACE）機制，該機制通過超圖計算自適應挖掘潛在高階相關性，突破了以往方法僅基于成對關聯建模的限制，實現了高效的全局跨位置和跨尺度特征融合與增強。隨后，我們基于 HyperACE 提出了全流程聚合 - 分發（Full-Pipeline Aggregation-and-Distribution, FullPAD）范式，通過將關聯增強后的特征分發至全流程，有效實現了整個網絡內的細粒度信息流和表示協同。最后，我們采用深度可分離卷積替代傳統大核卷積，并設計了一系列在不犧牲性能的前提下顯著減少參數量和計算復雜度的模塊。我們在廣泛使用的 MS COCO 基準測試上進行了大量實驗，結果表明，我們的方法以更少的參數和 FLOPs 達到了當前最優性能。具體而言，與 YOLOv11-N 相比，YOLOv13-N 的平均精度均值（mAP）提升了 3.0%；與 YOLOv12-N 相比，提升了 1.5%。