在城市与乡村的交通场景中，电动自行车因其便捷性成为大众出行的热门选择，但随之而来的交通事故隐患也不容忽视。其中，单人电动车违规载人现象尤为突出，座位空间不足导致的安全风险已成为交通管理的一大难题。传统的交警现场执法模式受限于人力、时间及天气因素，难以实现全天候、全覆盖的实时监管，尤其在早晚高峰或学校周边等复杂路段，违规行为频发且难以及时纠正。
随着智能化技术的发展，无人机结合 AI 视觉感知为交通监管提供了新路径。无人机具备机动性强、覆盖范围广的优势，可自动巡航采集数据，再通过算法模型精准识别违规载人、闯红灯等行为。这种模式不仅提升了监管效率，还能为管理部门提供全面的数据分析支持，辅助制定更科学的交通策略。
本次实践基于超图增强型自适应视觉感知目标检测模型 YOLOv13 全系列构建检测系统。该模型在架构上进行了优化，官方项目地址为：https://github.com/iMoonLab/yolov13。项目以 Ultralytics 框架为基准，使用风格简洁高效。官方发布了 n/s/l/x 四种参数量级的预训练权重，我们分别下载了 yolov13n.pt、yolov13s.pt、yolov13l.pt 和 yolov13x.pt 进行对比实验。
模型训练与推理
由于项目基于 Ultralytics 构建，代码实现非常直观。我们在保持实验参数一致的前提下对四款模型进行了训练，以便后续对比各项指标。以下是核心代码逻辑：
# 模型训练开发
from ultralytics import YOLO
model = YOLO('yolov13n.yaml')
results = model.train(
data='coco.yaml',
epochs=600,
batch=256,
imgsz=640,
scale=0.5, # S:0.9; L:0.9; X:0.9
mosaic=1.0,
mixup=0.0, # S:0.05; L:0.15; X:0.2
copy_paste=0.1, # S:0.15; L:0.5; X:0.6
device="0,1,2,3",
)
metrics = model.val('coco.yaml')
results = model("path/to/your/image.jpg")
results[0].show()
# 模型评估测试
from ultralytics import YOLO
model = YOLO('yolov13{n/s/l/x}.pt') # 替换为所需模型规模
# 模型推理预测
model.predict()
# 模型格式转化
model.export(format="engine", half=True) # or format="onnx"
这里我们保持完全相同的实验参数设置来进行四款模型的开发训练，等待训练完成之后我们来整体进行各项指标的对比分析。
