基于 YOLOv13 的无人机电动自行车违规载人检测系统实战

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"