简介这份资源是2026年YOLOv13完整源码与权重文件包面向计算机、电子信息、数学等专业的学生及目标检测方向的研究者尤其适合正在做课程设计、期末大作业或毕业设计的人群。YOLOv13由清华大学联合太原理工大学、北京理工大学等团队于2025年6月发布首次将超图理论引入实时检测Nano版本在MS COCO上以6.4G FLOPs达到41.6% mAP较YOLOv12-N提升1.5%精度且参数减少0.1M可用于快速搭建与理解目标检测系统。压缩包共486个文件约263.76MB包含164个py源码、86个yaml配置、8个pt权重、109个pyc编译文件以及jpg、png示例图、md说明文档、ipynb笔记本和多种Dockerfile部署脚本覆盖训练、推理与多平台部署。已有237人学习下载适合对照源码复现实验、迁移到自有数据集或作为二次开发基础。1. 2026 年还能不能碰 YOLO 系目标检测从一份完整源码加权重说起最近后台被问得最多的一句话是2026 年了YOLO 系目标检测还值不值得投入问这话的人手里往往已经拿到一份「完整源码 权重文件」的压缩包解压出来一堆.py、.yaml、.pt却卡在第一步——不知道从哪跑起来更不知道跑起来之后能干嘛。我先把结论摆在这目标检测这条线在工业质检、安防巡检、零售盘点、农业估产这些场景里依然是刚需而 YOLO 系因为工程化程度高、部署链路短仍然是绝大多数团队落地时的第一选择。所谓「完整源码 权重」本质是给你一套可训练、可推理、可导出的工程骨架权重则是别人已经在大规模数据上训好的起点。适合谁适合手上有标注数据、有明确检测目标、又不想从零搭训练框架的开发者。这篇不聊虚的就按「拿到包之后怎么跑通、怎么换成自己的数据、参数怎么调、坑在哪」这条线走一遍。2. 拿到源码包先别急着 train目录结构与最小推理闭环很多人拿到包的第一反应是python train.py这是最容易翻车的起手式。训练动辄几小时起步如果推理链路都没验证过你连数据加载对不对、权重能不能读、显存够不够都不知道等于闭着眼睛烧卡。正确顺序是先跑通推理确认权重有效、环境无冲突再动训练。2.1 一份典型 YOLO 工程包的目录长什么样不同版本命名有差异但骨架高度一致。下面是我见过的绝大多数 YOLO 系工程包的通用结构你对照自己手里的包看project/ ├── ultralytics/ # 核心库模型定义、训练器、推理器都在这 │ ├── cfg/ # 模型结构 yaml 与默认超参 yaml │ ├── engine/ # 训练/验证/推理引擎 │ ├── models/ # 网络结构实现 │ └── utils/ # 数据加载、指标、绘图等工具 ├── data/ # 数据集配置 yaml 与样本 ├── weights/ # 预训练权重 .pt ├── train.py # 训练入口 ├── detect.py # 推理入口 ├── export.py # 导出 ONNX / TensorRT 等 └── requirements.txt关键要认清三个东西cfg里的模型 yaml 决定网络结构data里的数据 yaml 决定去哪找图和标签weights里的.pt决定起点。三者对不上报错一定发生在你意想不到的地方。2.2 用一条命令验证权重是否可用先装依赖再跑推理。依赖安装这一步别偷懒用全局环境虚拟环境能省掉后面 80% 的玄学报错# 建独立环境避免和系统里的 torch 打架 python -m venv yolo_env source yolo_env/bin/activate # Windows 用 yolo_env\Scripts\activate # 按 requirements 装注意 torch 版本要和 CUDA 匹配 pip install -r requirements.txt pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121装完先确认 GPU 能被识别这一步不过后面全是白搭import torch print(torch:, torch.__version__) print(cuda available:, torch.cuda.is_available()) print(device:, torch.cuda.get_device_name(0) if torch.cuda.is_available() else CPU)逻辑说明torch.cuda.is_available()返回 False 时九成是 torch 版本和本机 CUDA 驱动不匹配或者装成了 CPU 版。参数上cu121对应 CUDA 12.1你要按nvidia-smi右上角显示的驱动支持版本去选别照抄。确认无误后跑最小推理# 用自带权重对一张图做推理先不接摄像头、不接视频流 python detect.py --weights weights/your_model.pt --source data/sample.jpg --conf 0.25 --device 0--conf 0.25是置信度阈值先给个中间值看效果--device 0指定第一块 GPU没有 GPU 就写cpu。跑完看输出目录里有没有画框的图框的位置对不对。这一步过了说明权重、环境、推理链路全通可以进入下一步。2.3 权重文件到底装了什么为什么不能随便换.pt文件里通常包含三部分网络结构定义、权重张量、以及训练时的类别名和输入尺寸等元信息。很多人换权重后报size mismatch就是因为新权重的类别数和模型 yaml 里的nc对不上。常见做法是换权重前先用一段脚本把元信息读出来确认nc类别数和names类别名跟你自己的数据一致。import torch ckpt torch.load(weights/your_model.pt, map_locationcpu) model ckpt.get(model, ckpt) print(类别数:, getattr(model, nc, 未知)) print(类别名:, getattr(model, names, 未知))如果nc是 80COCO 通用类别而你要检测的是 3 类工业缺陷那这个权重只能当预训练起点不能直接推理出你要的结果。这是新手最容易误解的一点权重不是万能钥匙它只认识它训过的类别。3. 换成自己的数据标注格式、数据 yaml 与训练启动推理跑通之后真正的活是把自己的数据喂进去。这一章是整篇的核心做不对训练 loss 会以各种诡异方式教你做人。3.1 标注格式选型为什么我一般推荐 YOLO txt目标检测标注格式主流有三种COCO json、VOC xml、YOLO txt。选型理由很直接——YOLO 系训练器原生吃 txt省掉一层转换损耗COCO json 适合多任务和复杂标注但解析慢VOC xml 文件碎几万张图就是几万个 xmlIO 压力大。常见做法是如果你的标注工具导出的是 COCO 或 VOC先转成 YOLO txt 再训。YOLO txt 每行格式是类别索引 中心x 中心y 宽 高后四个都是相对整图宽高的归一化值0~1。这里有个血泪经验归一化时用的是原图尺寸不是缩放后的尺寸很多人在这翻车框整体偏移。# VOC xml 转 YOLO txt 的核心逻辑 import xml.etree.ElementTree as ET from pathlib import Path def voc_to_yolo(xml_path, img_w, img_h, class_map): tree ET.parse(xml_path) lines [] for obj in tree.findall(object): cls obj.find(name).text if cls not in class_map: continue bbox obj.find(bndbox) xmin float(bbox.find(xmin).text) ymin float(bbox.find(ymin).text) xmax float(bbox.find(xmax).text) ymax float(bbox.find(ymax).text) # 转成中心点 宽高并归一化 cx (xmin xmax) / 2.0 / img_w cy (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{class_map[cls]} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) return lines逻辑说明class_map把类别名映射成从 0 开始的整数索引顺序必须和后面数据 yaml 里的names完全一致错一位整个训练就废了。归一化保留 6 位小数足够再多没意义。转换完记得抽查几张用可视化脚本把框画回原图确认没偏。3.2 数据 yaml 怎么写路径为什么总报错数据 yaml 是训练器和数据之间的合同写错一个字段就找不到图。典型结构# data/mydata.yaml path: /abs/path/to/dataset # 数据集根目录强烈建议写绝对路径 train: images/train # 相对 path 的训练图目录 val: images/val # 验证图目录 nc: 3 # 类别数 names: # 类别名顺序即索引 0: scratch 1: dent 2: stain参数说明path用绝对路径能避开绝大多数「找不到文件」的报错相对路径会以训练脚本的工作目录为基准换个目录跑就崩。train和val指向的是图片目录标签目录默认是把路径里的images替换成labels所以你的目录结构必须是images/train配labels/train文件名一一对应只是后缀不同.jpg对.txt。这是硬约定别自己发明结构。3.3 启动训练从预训练权重微调而不是从零训有了数据和 yaml训练命令本身很短但参数决定成败python train.py \ --weights weights/your_model.pt \ --data data/mydata.yaml \ --epochs 100 \ --imgsz 640 \ --batch 16 \ --lr0 0.01 \ --device 0参数逐个说--weights指向预训练权重从它微调比从零训收敛快得多小数据集尤其明显--epochs 100是上限实际看验证指标早停--imgsz 640是输入分辨率显存不够就降到 416 或 320但小目标会掉点--batch 16按显存调8G 显存跑 640 大概能到 8~16--lr0 0.01是初始学习率微调场景可以降到 0.001 更稳。训练开始后盯三个东西loss 是否稳定下降、验证 mAP 是否上升、显存是否爆。loss 震荡不降先查学习率mAP 不涨先查标注质量。4. 参数调优与显存不够时的取舍几个必调项训练能跑起来只是及格线能不能训出可用的模型看的是参数取舍。这一章讲几个我每次都会动的参数以及显存吃紧时怎么砍。4.1 输入分辨率、batch 与显存的三角关系这三者是绑死的分辨率翻倍显存占用大约翻四倍batch 翻倍显存线性涨。显存不够时优先级是「先保分辨率再砍 batch」。因为分辨率直接决定小目标能不能被看见batch 小一点只是训练慢、梯度噪声大用梯度累积能补回来。# 显存不够时降 batch用累积补回等效 batch python train.py --batch 4 --accumulate 4 --imgsz 640 ...--accumulate 4表示每 4 个 batch 才更新一次梯度等效 batch 是 16代价是训练时间变长。这是显存换时间的标准操作比直接降分辨率划算。4.2 数据增强开哪些关哪些YOLO 系默认开了一堆增强马赛克、随机缩放、色彩抖动、翻转。通用场景全开没问题但有两类场景要手动关一是工业质检缺陷的方向和颜色是判别依据翻转和色彩抖动会把特征搞乱二是密集小目标马赛克拼接会让目标更小更难学。# 在训练配置里覆盖默认增强 mosaic: 0.0 # 工业质检建议关掉马赛克 fliplr: 0.0 # 有方向性的目标关掉水平翻转 hsv_h: 0.0 # 颜色是判别依据时关掉色相抖动 scale: 0.2 # 保留轻微缩放增强泛化参数说明这些值都是概率0 表示关闭1 表示必做。别一次性全关先关最可疑的跑一轮对比验证集指标用数据说话不要凭感觉。4.3 学习率与优化器的选择微调场景我一般用 SGD 配低初始学习率或者 AdamW 配更低的。SGD 收敛慢但泛化通常更好AdamW 收敛快但小数据集容易过拟合。判断标准很简单验证集 mAP 和训练集 mAP 差距大就是过拟合换 SGD 或加权重衰减。# 小数据集微调偏保守的配置 python train.py --optimizer SGD --lr0 0.001 --lrf 0.01 --weight_decay 0.0005 ...--lrf 0.01是最终学习率相对初始值的比例配合余弦退火训练后期学习率会平滑降到初始的 1%。--weight_decay是权重衰减抑制过拟合0.0005 是常用起点。5. 避坑与排查那些让训练白跑的常见问题这一章全是踩过的坑按「现象 → 原因 → 解决」写你对照自己的报错找。现象一训练 loss 是 nan几轮后直接崩。原因通常是标注里有非法值比如归一化后坐标超过 1或者宽高为 0。解决写个校验脚本扫一遍所有 txt把越界的行打出来修掉。# 扫描非法标注 from pathlib import Path for txt in Path(labels).rglob(*.txt): for i, line in enumerate(txt.read_text().splitlines()): parts line.split() if len(parts) ! 5: print(f{txt} 第{i}行字段数不对) continue vals list(map(float, parts[1:])) if any(v 0 or v 1 for v in vals) or vals[2] 0 or vals[3] 0: print(f{txt} 第{i}行数值越界: {vals})现象二验证 mAP 一直是 0。原因多半是类别索引对不上或者标签目录结构和图片目录不匹配。解决先确认labels/train和images/train文件名一一对应再确认数据 yaml 里names的顺序和标注里的索引一致。现象三训练正常但推理结果全是乱框。原因通常是推理时的输入尺寸和训练时不一致或者权重加载时类别数被覆盖。解决推理命令里显式指定--imgsz和训练保持一致加载权重后打印nc确认。现象四显存明明够却报 OOM。原因是碎片化或者 dataloader 的 worker 数开太多。解决把--workers降到 4 或 2或者设PYTORCH_CUDA_ALLOC_CONFmax_split_size_mb:128缓解碎片。现象五训练几轮后 mAP 突然掉。原因是学习率过大导致跳出最优解或者数据里有脏样本。解决看 loss 曲线如果 loss 突然飙升就是学习率问题降lr0如果 loss 平稳但 mAP 掉去抽查验证集里预测错的图多半是标注错了。6. 从训练到部署导出与量化的一条实用路径模型训出来只是半成品能不能上产线看部署。这一章讲导出和量化的具体操作以及一个我常用的验证技巧。6.1 导出 ONNX 与 TensorRT 的取舍ONNX 是通用中间格式跨平台好但推理速度一般TensorRT 是特定硬件上的极致优化速度快但绑定硬件。常见做法是先在 ONNX 上验证数值一致性再转 TensorRT 上产线。# 导出 ONNXopset 选 12 兼容性较好 python export.py --weights runs/train/exp/weights/best.pt --include onnx --opset 12 --imgsz 640 # 导出 TensorRTfp16 量化速度提升明显 python export.py --weights runs/train/exp/weights/best.pt --include engine --half --imgsz 640 --device 0参数说明--opset 12是 ONNX 算子集版本太低不支持某些算子太高部分推理引擎不认--half开启 FP16 量化速度能提 30%~50%精度掉一点点多数场景可接受。导出后务必做数值对齐验证。6.2 用同一张图对比导出前后的输出这是我最常用的验证技巧拿一张有代表性的图分别用 PyTorch 权重和导出后的模型推理对比框的数量、位置、置信度。差异在千分位以内算正常差太多说明导出过程丢了算子或量化过头。import numpy as np def compare_outputs(out_pt, out_onnx, tol1e-2): # out_pt / out_onnx 都是 Nx6 的数组: x1,y1,x2,y2,conf,cls if len(out_pt) ! len(out_onnx): print(f框数量不一致: pt{len(out_pt)}, onnx{len(out_onnx)}) return False diff np.abs(out_pt[:, :4] - out_onnx[:, :4]).max() print(f最大坐标偏差: {diff:.4f}) return diff tol逻辑说明先比框数量数量对不上说明后处理阈值或 NMS 实现有差异再比坐标偏差超过tol就要查量化精度或输入预处理是否一致。这个脚本我每次导出后都跑能提前拦住大部分部署事故。6.3 一个我坚持了很多年的习惯最后说个习惯不是技术但比技术更省事每次训完一个模型把「数据 yaml、训练命令、关键参数、验证集指标」四样东西记在一个文本文件里和权重放一起。我吃过太多次亏——三个月后要复现某个版本只记得「当时调了个参数效果不错」具体是啥全忘了只能重训。这个习惯帮我省下的卡时够训好几个模型了。目标检测这条线模型会迭代工具会换但「先验证再训练、先对齐再部署、先记录再遗忘」这三条不会过时。希望帮到你。本文还有配套的精品资源点击获取