本文基于YOLOv13 官方仓库iMoonLab/yolov132025.6实测整理Windows/CPU 全程可跑。前言YOLOv13HyperACE 超图 FullPAD 架构官方开源后很多同学问怎么训练自己的数据集。这篇把从零跑通 YOLOv13完整走一遍环境搭建 → 数据集准备 → 训练 → 产物解读。全部命令实测可复现。专栏目录YOLO改进目录一览持续更新专栏地址YOLO改进专栏——持续更新各方向即插即用改进一、环境搭建YOLOv13 官方仓库基于 ultralytics 框架fork 自 8.3.63推荐源码安装git clone https://github.com/iMoonLab/yolov13.git cd yolov13 pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple有 NVIDIA 显卡可再按官方 requirements 安装 flash-attn可选CPU/旧卡会自动降级为标准注意力不影响功能。验证yolo version # 输出 8.3.63 即成功yolov13 fork 的版本号 python -c import torch; print(torch.cuda.is_available())实测环境Python 3.11 torch 2.13 CPUWindows 下全流程可跑。二、准备自己的数据集YOLO 格式与 v11 完全一致每张图一个同名 txt每行类别ID 中心x 中心y 宽 高归一化 0~1datasets/mydata/ ├── images/ │ ├── train/ # 训练图 │ └── val/ # 验证图 └── labels/ ├── train/ # 与图同名的 .txt └── val/标注工具推荐 LabelImg / X-AnyLabeling直接导出 YOLO 格式。三、编写数据集配置 data.yamlpath: F:/datasets/mydata # 数据集根目录建议绝对路径 train: images/train val: images/val nc: 2 # 类别数 names: [cat, dog]四、开始训练命令行方式模型换成 v13 的 yaml 即可yolo detect train modelyolov13n.yaml dataF:/datasets/mydata/mydata.yaml epochs100 imgsz640 batch16Python 方式推荐继承预训练权重from ultralytics import YOLO model YOLO(yolov13n.pt) # 官方发布的 v13 预训练权重 model.train(dataF:/datasets/mydata/mydata.yaml, epochs100, imgsz640, batch16)本文实测小样本 3 轮冒烟Windows CPUUltralytics 8.3.63 Python-3.11.15 torch-2.13.0cpu CPU (Intel Core i9-14900HX) 3 epochs completed in 0.001 hours. Optimizer stripped from runs\detect\train\weights\last.pt, 5.5MB Results saved to runs\detect\train常用参数与 v11 一致epochs / imgsz / batch / device / workers显存不够就减 batchWindows 报 DataLoader 错就设 workers0。五、训练产物解读产物目录runs/detect/train*/与 v11 相同文件用途weights/best.pt验证集最优权重部署用weights/last.pt断点续训用results.csv / results.png逐轮损失与指标曲线confusion_matrix.png混淆矩阵labels.jpg标注分布检查val_batch*_pred.jpg验证集预测可视化先看 labels.jpg 查标注、results.png 看收敛、val_batch0_pred.jpg 看效果。六、验证与推理yolo detect val modelruns/detect/train/weights/best.pt dataF:/datasets/mydata/mydata.yaml yolo detect predict modelruns/detect/train/weights/best.pt sourceimg.jpg七、常见报错速查**No module named huggingface_hub**v13 的引擎依赖 HF Hubpip install huggingface_hub即可**FlashAttention is not available**正常提示CPU/旧卡自动降级为标准注意力不影响训练数据集路径错误 / CUDA OOM / workers 报错处理方式与 v11 相同绝对路径、减 batch、workers0。八、总结YOLOv13 的训练流程与 v11 几乎一致差异只有三点仓库换源码安装、模型文件换 yolov13n.yaml/pt、引擎多了 HF Hub 依赖。跑通本篇后后面的改进篇就能直接在 v13 上做了。觉得有帮助的话点赞收藏关注三连支持一下评论区欢迎交流~ YOLOv13改进策略【基础篇】| 训练自己的数据集：从环境搭建到实例测试全流程
本文基于YOLOv13 官方仓库iMoonLab/yolov132025.6实测整理Windows/CPU 全程可跑。前言YOLOv13HyperACE 超图 FullPAD 架构官方开源后很多同学问怎么训练自己的数据集。这篇把从零跑通 YOLOv13完整走一遍环境搭建 → 数据集准备 → 训练 → 产物解读。全部命令实测可复现。专栏目录YOLO改进目录一览持续更新专栏地址YOLO改进专栏——持续更新各方向即插即用改进一、环境搭建YOLOv13 官方仓库基于 ultralytics 框架fork 自 8.3.63推荐源码安装git clone https://github.com/iMoonLab/yolov13.git cd yolov13 pip install -e . -i https://pypi.tuna.tsinghua.edu.cn/simple有 NVIDIA 显卡可再按官方 requirements 安装 flash-attn可选CPU/旧卡会自动降级为标准注意力不影响功能。验证yolo version # 输出 8.3.63 即成功yolov13 fork 的版本号 python -c import torch; print(torch.cuda.is_available())实测环境Python 3.11 torch 2.13 CPUWindows 下全流程可跑。二、准备自己的数据集YOLO 格式与 v11 完全一致每张图一个同名 txt每行类别ID 中心x 中心y 宽 高归一化 0~1datasets/mydata/ ├── images/ │ ├── train/ # 训练图 │ └── val/ # 验证图 └── labels/ ├── train/ # 与图同名的 .txt └── val/标注工具推荐 LabelImg / X-AnyLabeling直接导出 YOLO 格式。三、编写数据集配置 data.yamlpath: F:/datasets/mydata # 数据集根目录建议绝对路径 train: images/train val: images/val nc: 2 # 类别数 names: [cat, dog]四、开始训练命令行方式模型换成 v13 的 yaml 即可yolo detect train modelyolov13n.yaml dataF:/datasets/mydata/mydata.yaml epochs100 imgsz640 batch16Python 方式推荐继承预训练权重from ultralytics import YOLO model YOLO(yolov13n.pt) # 官方发布的 v13 预训练权重 model.train(dataF:/datasets/mydata/mydata.yaml, epochs100, imgsz640, batch16)本文实测小样本 3 轮冒烟Windows CPUUltralytics 8.3.63 Python-3.11.15 torch-2.13.0cpu CPU (Intel Core i9-14900HX) 3 epochs completed in 0.001 hours. Optimizer stripped from runs\detect\train\weights\last.pt, 5.5MB Results saved to runs\detect\train常用参数与 v11 一致epochs / imgsz / batch / device / workers显存不够就减 batchWindows 报 DataLoader 错就设 workers0。五、训练产物解读产物目录runs/detect/train*/与 v11 相同文件用途weights/best.pt验证集最优权重部署用weights/last.pt断点续训用results.csv / results.png逐轮损失与指标曲线confusion_matrix.png混淆矩阵labels.jpg标注分布检查val_batch*_pred.jpg验证集预测可视化先看 labels.jpg 查标注、results.png 看收敛、val_batch0_pred.jpg 看效果。六、验证与推理yolo detect val modelruns/detect/train/weights/best.pt dataF:/datasets/mydata/mydata.yaml yolo detect predict modelruns/detect/train/weights/best.pt sourceimg.jpg七、常见报错速查**No module named huggingface_hub**v13 的引擎依赖 HF Hubpip install huggingface_hub即可**FlashAttention is not available**正常提示CPU/旧卡自动降级为标准注意力不影响训练数据集路径错误 / CUDA OOM / workers 报错处理方式与 v11 相同绝对路径、减 batch、workers0。八、总结YOLOv13 的训练流程与 v11 几乎一致差异只有三点仓库换源码安装、模型文件换 yolov13n.yaml/pt、引擎多了 HF Hub 依赖。跑通本篇后后面的改进篇就能直接在 v13 上做了。觉得有帮助的话点赞收藏关注三连支持一下评论区欢迎交流~