YOLOv13多分支融合机制+SE注意机制 YOLOv13 RepVGGBlock_OREPA架构 map提升4.89,召回率提升8.66

原创 已于 2025-08-27 21:55:29 修改 · 1.8k 阅读 · 0 GEO检测
于 2025-08-27 21:49:45 首次发布

在这里插入图片描述
在这里插入图片描述
绿色线条为添加RepVGGBlock后的效果，map提升4.89,召回率提升8.66
REPVGGOREPA模块代表了重参数化技术的最新发展，它通过巧妙的架构设计实现了训练时的丰富表达和推理时的高效计算。

文章目录

REPVGGOREPA模块原理教程

1. 背景与动机

1.1 重参数化卷积的演进

在深度学习的发展过程中，研究者们不断追求更高效的网络架构。传统的卷积神经网络在训练和推理阶段使用相同的结构，这限制了网络的表达能力。重参数化技术的出现为这一问题提供了解决方案，它允许网络在训练时使用复杂的多分支结构来增强表达能力，在推理时将这些分支合并为单一的卷积层以提高效率。

RepVGG是重参数化技术的经典代表，它在训练时使用多分支结构（3×3卷积、1×1卷积和恒等映射），在推理时将这些分支合并为单一的3×3卷积。然而，RepVGG仍有改进空间，特别是在特征表达的多样性和计算效率方面。

1.2 OREPA技术的革新

OREPA（Online Representation Enhancement and Parameter Aggregation）是对传统重参数化技术的重大改进。它不仅保留了RepVGG的多分支训练优势，还引入了更丰富的特征表达方式：

  • 多尺度特征聚合：通过不同大小的卷积核捕获不同感受野的特征
  • 频域先验知识：利用频域变换增强特征表达
  • 在线权重生成：动态生成卷积权重以适应不同的输入

2. OREPA核心技术原理

<
标签
#YOLO #架构
了解本专栏 订阅专栏 解锁全文
YOLOv7改进：RepVGG结构
weixin_45303602的博客
10-05 1728
我们所说的“VGG式”指的是：没有任何分支结构。即通常所说的plain或feed-forward架构。仅使用3x3卷积。仅使用ReLU作为激活函数。主要创新点为结构重。在训练时，网络的结构是多分支进行的，而在推理时则将分支的参数进行重参数化，合为一个分支来进行的，所以推理的速度要比多分支网络快很多，并且精度也比单分支的网络更高。
YOLOv13多分支融合机制+SE注意机制 RepVGGBlock_OREPA架构 map提升4.89,召回率提升8.66
FJN110的博客
08-10 2628
本文提出了一种改进的YOLOv13目标检测模型，通过引入RepVGGOREPA模块和重参数化技术，显著提升了模型性能。实验结果表明，采用RepVGGBlock后，mAP提升4.89，召回率提升8.66%。文章详细介绍了模型移植过程，包括创建YOLOv13-REPVGGOREPA配置文件、修改任务处理代码和模块初始化文件，并提供了完整的OREPA模块实现代码。该模块通过多尺度特征融合和SE注意力机制，实现了训练时的丰富表征能力和推理时的高效计算，为YOLO系列模型提供了新的优化思路。
ResNet改进(26)：结合RepVGG的ResNet实现
2401_82355416的博客
04-11 386
在传统的ResNet架构中插入了一个RepVGGBlock模块。：一个结合了3x3卷积和1x1卷积的结构块BasicBlock：ResNet的基础残差块ResNet：主网络架构ResNet18：构建ResNet-18的便捷函数这个实现展示了如何将RepVGG的思想融入传统ResNet架构中，创造性地结合了两种流行架构的优势。关键点包括：RepVGGBlock的并行多分支设计标准ResNet残差块实现灵活的网络构建方式在适当位置插入RepVGG模块的策略。
RepVGG网络简介
热门推荐
霹雳吧啦Wz
07-10 3万+
VGG网络是2014年由牛津大学著名研究组VGG (Visual Geometry Group) 提出的。在2014到2016年（ResNet提出之前），VGG网络可以说是当时最火并被广泛应用的Backbone。后面由于各种新的网络提出，论精度VGG比不上ResNet，论速度和参数数量VGG比不过MobileNet等轻量级网络，慢慢的VGG开始淡出人们的视线。...............
深入浅出之RepConv与RepBlock(YOLO)
浩瀚之水的专栏
09-21 8337
RepBlock没有一个标准的定义，但我们可以假设它是一个包含多个层（可能是RepConv层、普通卷积层、激活函数等）的块，这些层以某种方式组合在一起以提高模型的性能。def __init__(self, in_channels, out_channels, ...): # 其他参数根据具体需求定义# 定义块内的层self.conv1 = RepConv(in_channels, out_channels // 2, ...) # 假设使用RepConv# 可以添加更多层，如池化层、归一化层等。
RepVGG论文笔记
qq_45228845的博客
04-02 4564
RepVGG makes VGG great again
Torch 论文复现：结构重参数化 RepVGGBlock
荷碧TongZJ 的水文
07-20 5925
近年来，卷积神经网络的结构已经变得越来越复杂；得益于多分支结构良好的收敛能力，多分支结构越来越流行但是，使用多分支结构的时候，一方面无法有效地利用并行加速，另一方面增加了 MAC为了使简单结构也能达到与多分支结构相当的精度，在训练 RepVGG 时使用多分支结构 (3×3 卷积 + 1×1 卷积 + 恒等映射)，以借助其良好的收敛能力；在推理、部署时利用重参数化技术将多分支结构转化为单路结构，以借助简单结构极致的速度。
RepVGGBlock实现
wulele2的博客
02-19 1300
在上一篇博文conv+bn算子融合中，介绍了conv+bn算子融合。本文将要介绍的RepVGG（Re-parameterized Convolutional Neural Network）是一种通过重新参数化技术将复杂的神经网络结构转换为简单的卷积层的方法。这种方法可以在训练时使用复杂的多分支结构，在推理时将其简化为单一的卷积层，从而显著提高推理速度。下一篇将介绍QARepVGG Block，来解决RepVGG Block量化int8掉点问题，敬请期待。
RepVGG论文详解（结合代码）
Orange_sparkle的博客
09-16 9328
主要创新点为结构重参数化。在训练时，网络的结构是多分支进行的，而在推理时则将分支的参数进行重参数化，合为一个分支来进行的，所以推理的速度要比多分支网络快很多，并且精度也比单分支的网络更高。
Pytorch之RepVGG图像分类
风间琉璃的博客
10-13 1245
RepVGG是一个简单的网络结构，它通过堆叠来构建整个网络，在2021 年发布在CVPR的一篇论文Making VGG-style ConvNets Great Again提出来的，使用structural re-parameterization(结构重参数化)的方式让类VGG的架构重新获得了更好的性能和更快的速度。RepVGG核心思想是：通过结构重参数化思想，让训练网络的多路结构(多分支模型训练时——性能高)转换为推理网络的单路结构(模型推理时——速度快、省内存）)，
深度学习网络模型——RepVGG网络详解、RepVGG网络训练花分类数据集整体项目实现
guoqingru0311的博客
02-15 3262
深度学习网络模型——RepVGG网络详解、RepVGG网络训练花分类数据集整体项目实现
比ResNet更强的RepVGG代码详解
m0_47090270的博客
03-27 1万+
RepVGG的PaddlePaddle复现 Hi Guy！欢迎来到这里，这里是对RepVGG复现以及代码深入讲解，RepVGG通过结构重参数化来使得具有多分支结构的训练模型转化为直筒式单路推理模型，在速度和精度tradeoff下达到了SOTA 本论文代码基于官方Pytorch代码，更原汁原味 AI Studio有大佬复现过RepVGG，但是没有给出推理模型的转换，本文代码更全，配合代码讲解，更容易理解 论文解读：https://github.com/lmk123568/RepVGG_Tutorial/
RepVGGBlock结构详解：为什么说它是模型部署的加速神器？
最新发布
android的专栏
02-26 631
本文深入解析了RepVGGBlock结构，它通过结构重参数化技术，在训练时采用多分支设计以提升模型精度，在推理时则融合为单一3x3卷积，从而成为模型部署的加速神器。这种设计极大地优化了计算图，提升了硬件亲和性与推理效率，是边缘计算和移动端部署的理想选择。
【RepVGG网络】
小秋的博客
03-12 1059
RepVGG网络是2021年由清华大学、旷视科技与香港科技大学等机构的研究者提出的一种深度学习模型结构，其核心特点是通过“结构重参数化”（re-parameterization）技术，在训练阶段采用复杂的多分支结构以优化网络的训练过程，而在推理阶段则将这些分支融合成单一的卷积层，从而实现高效的前向推断。在PyTorch中实现RepVGG时，通常会定义一个RepVGGBlock类，该类在构造函数中设置训练模式下的各个卷积层，并且包含一个。方法，用于在模型部署或进行推理时将训练时的多分支结构融合为单个卷积层。
RepVGG
qq_35766376的博客
03-14 443
使用重参数化使得VGG类极简模型达到ResNet的精度。
目标检测算法——YOLOv5/YOLOv7改进之结合​RepVGG（速度飙升）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询&Python科研绘图】
11-11 1万+
目标检测算法——YOLOv5/YOLOv7改进之结合​RepVGG（速度飙升）。在ImageNet上，据我们所知，RepVGG的top-1准确性达到80％以上，这是老模型首次实现该精度。 在NVIDIA 1080Ti GPU上，RepVGG模型的运行速度比ResNet-50快83％，比ResNet-101快101％，并且具有更高的精度，与诸如EfficientNet和RegNet的最新模型相比，RepVGG显示出良好的精度-速度权衡。效果对比如下图所示。
RepVGG解析2
weixin_51015047的博客
06-13 567
网络结构： 在原始的vgg模型上引入残差连接和1*1卷积 Repvgg block 的对应代码： self.rbr_identity = nn.BatchNorm2D(num_features=in_channels) if out_channels == in_channels and stride == 1 else None self.rbr_dense = conv_bn(in_channels=in_channels, out_channels=out_channels, kernel_s
清华&旷视提出RepVGG：让你的CNN一卷到底！
阿木寺的博客
01-13 1788
点击上方“CVer”，选择加&#34;星标&#34;置顶重磅干货，第一时间送达本文转载自：AIWalkerpaper: httsp://arxiv.org/abs/2101.03697c...
深入理解ResNet原理解析及代码实现
weixin_36670529的博客
05-15 3474
目录 1、问题 2、如何解决 3、为何有效 4、网络实现 5、网络输入部分 6、网络中间卷积部分 7、残差块实现 8、网络输出部分 9、网络特点 10、总结如下 1、问题 梯度消失和梯度爆炸的问题阻止了刚开始的收敛，这一问题通过初始化归一化和中间层归一化得到了解决。解决了收敛的问题后又出现了退化的现象：随着层数加深，准确率升高然后急剧下降。且这种退化不是由过拟合造成，...
RepVGG：极简架构，SOTA性能，让VGG式模型再次伟大（CVPR-2021）
qq_42178122的博客
04-06 1022
RepVGG，用结构重参数化（structural re-parameterization）“复兴”VGG式单路极简架构，一路3x3卷到底，在速度和性能上达到SOTA水平，在ImageNet上超过80%正确率。已经被CVPR-2021接收。 论文地址：https://link.zhihu.com/?target=https%3A//arxiv.org/abs/2101.03697 开源预训练模型和代码（PyTorch版）：https://github.com/DingXiaoH/RepVGG 本文的VGG
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

YOLO君

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值