Mamba-YOLO

用 Mamba 替 YOLO 主干，精度更高算力更省

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署计算机视觉 🍴 复刻 67 🐛 待处理 78 👀 关注 6

GitHub ↗

GitHub 星标 ★ 658

维护状态维护中

是否开源开源

定价模式 🏷️完全免费开源免费，需自行部署

项目预览

项目数据

分类计算机视觉

开发团队HZAI-ZJNU

GitHubhttps://github.com/HZAI-ZJNU/Mamba-YOLO

定价模式🏷️完全免费

价格说明开源免费，需自行部署

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议AGPL-3.0

主要语言Python

GitHub 星标★ 658

上线时间2024-06-09 00:00:00

代码更新2026-09-10

仓库体积8.5 MB

本站数据更新2026-11-03

维护状态维护中

收录时间2026-09-20

浏览次数1

项目介绍

Mamba-YOLO 是论文《Mamba-YOLO: SSMs-based for Object Detection》的官方 PyTorch 实现，把状态空间模型（SSM/Mamba）引入目标检测，替代 YOLO 系列常用的 CNN 或 Transformer 主干。它要解决的问题是：Transformer 检测器精度高但自注意力计算量随分辨率平方增长，CNN 又受限于局部感受野。项目用 Mamba 的线性复杂度序列建模能力，在保持全局信息交互的同时降低计算开销，并给出适配检测任务的网络结构与训练配置。核心能力包括可复现的检测精度、对 COCO 等标准数据集的训练/评估脚本，以及与 YOLO 框架相近的工程接口，方便研究者对比 SSM 与 CNN/Transformer 主干的差异。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-09-20 · 当前星标 ★ 658

使用教程

难度：高级约 120 分钟部署方式：本地GPU 6 步

环境要求

CUDA 11.8 与 GPU 24G 显存
Python 3.11
COCO 数据集

安装与启动步骤

1建环境拉代码

官方指定 Python 3.11，比多数检测仓库新，别沿用旧的 3.8 环境。
```
git clone https://github.com/HZAI-ZJNU/Mamba-YOLO.git
```
2装指定版本 torch

README 写死了 torch 2.3.0，装错版本后面的自编译扩展会失败。
```
pip3 install torch===2.3.0 torchvision torchaudio
```
3装常用依赖

seaborn、thop、timm、einops 是检测训练链路的标准件。
```
pip install seaborn thop timm einops
```
4编译 selective_scan

Mamba 的核心算子要单独编，这一步最容易卡在 CUDA 版本不匹配。
```
cd selective_scan && pip install . && cd ..
```
5装本项目

再回根目录做可编辑安装，之后才能用 mbyolo_train.py。
```
pip install -v -e .
```
6训 COCO

先用默认配置跑通，确认数据路径和卡数对了再改自己的数据集。
```
python mbyolo_train.py --task train
```