企业官网建设流程全解析

本文基于YOLOv13 官方仓库（iMoonLab/yolov13，2025.6）实测整理，Windows/CPU 全程可跑。

前言

YOLOv13（HyperACE 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 CPU，Windows 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 0~1）：

datasets/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.yaml

path: 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 model=yolov13n.yaml data=F:/datasets/mydata/mydata.yaml epochs=100 imgsz=640 batch=16

Python 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(data="F:/datasets/mydata/mydata.yaml", epochs=100, imgsz=640, batch=16)

本文实测（小样本 3 轮冒烟，Windows CPU）：

Ultralytics 8.3.63 🚀 Python-3.11.15 torch-2.13.0+cpu 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 batch，Windows 报 DataLoader 错就设 workers=0。

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 model=runs/detect/train/weights/best.pt data=F:/datasets/mydata/mydata.yaml yolo detect predict model=runs/detect/train/weights/best.pt source=img.jpg

七、常见报错速查

1. **No module named 'huggingface_hub'**：v13 的引擎依赖 HF Hub，pip install huggingface_hub即可；
2. **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；
3. 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、workers=0）。

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~