Map提升4.89%！YOLOv13融合RepVGG-OREPA与SE注意力的多分支设计

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

• 移植
• • 创建ultralytics\cfg\models\v13\yolov13-REPVGGOREPA.yaml
  • 修改ultralytics\nn\tasks.py
  • 修改ultralytics/nn/modules/__init__.py
  • 创建ultralytics\nn\modules\orepa.py
  • 修改ultralytics\nn\modules\block.py
• REPVGGOREPA模块原理教程
• • 1. 背景与动机
  • • 1.1 重参数化卷积的演进
    • 1.2 OREPA技术的革新
  • 2. OREPA核心技术原理
  • • 2.1 多分支架构设计
    • 2.2 动态权重生成机制
    • 2.3 分解卷积优化
  • 3. RepVGGBlock\_OREPA架构
  • • 3.1 整体设计理念
    • 3.2 多分支融合机制
    • 3.3 结构重参数化
  • 4. Bottleneck\_REPVGGOREPA设计
  • • 4.1 瓶颈结构优化
    • 4.2 残差连接增强
  • 5. REPVGGOREPA1模块架构
  • • 5.1 C2f架构继承
    • 5.2 模块级联效应
  • 6. 技术优势与创新点
  • • 6.1 训练推理解耦
    • 6.2 特征表达多样性
    • 6.3 参数效率优化
  • 7. 应用场景与实践
  • • 7.1 适用场景
    • 7.2 部署优势
  • 8. 总结

移植

创建ultralytics\cfg\models\v13\yolov13-REPVGGOREPA.yaml

nc:80 # number of classesscales:# model compound scaling constants,i.e.'model=yolov13n.yaml'will call yolov13.yaml with scale'n'# [depth,width,max_channels]n:[0.50