尧图网站建设 
本文基于YOLOv13 官方仓库（iMoonLab/yolov13，ultralytics 8.3.63 fork）实测整理，Windows/CPU 全程可跑。UniRepLKNet（Ding et al., CVPR 2024《UniRepLKNet: A Universal Perception Large-Kernel ConvNet》，官方源码 github.com/AILab-CVC/UniRepLKNet）给"大核卷积"换了种买法：训练时用「大核 DW 卷积 + 多组膨胀小核 DW 分支」并联放大感受野，reparameterize()把全部膨胀分支按 dilation 展开合并进大核——推理只剩一个 k×k 深度卷积。本文把官方 UniRepLKNetBlock（k=7）替换进 v13n 主干的层 6，实测训练态 −20,320 参数、GFLOPs 6.5→6.44，部署态再折叠到 −26,720，与官方逐位一致（train max diff = 0），1 轮冒烟训练正常完成。前言卷积层篇的"替换式"玩法，这篇回到大核主线：RepLKNet 证明了大核的有效性，但 31×31 的 dense 核又贵又难优化；UniRepLKNet 的观察是——大核的采样图样可以拆成一组膨胀小核的并集：一个 r×(k−1)+1 等效感受野的膨胀核，采样点恰好落在大核网格的子集上。于是训练期让"7×7 大核 + 5×5 + 两个膨胀 3×3"并联各学各的，推理 YOLOv13改进策略【卷积层篇】| CVPR2024 UniRepLKNet Block，大核感受野的可重参数化卷积
本文基于YOLOv13 官方仓库（iMoonLab/yolov13，ultralytics 8.3.63 fork）实测整理，Windows/CPU 全程可跑。UniRepLKNet（Ding et al., CVPR 2024《UniRepLKNet: A Universal Perception Large-Kernel ConvNet》，官方源码 github.com/AILab-CVC/UniRepLKNet）给"大核卷积"换了种买法：训练时用「大核 DW 卷积 + 多组膨胀小核 DW 分支」并联放大感受野，reparameterize()把全部膨胀分支按 dilation 展开合并进大核——推理只剩一个 k×k 深度卷积。本文把官方 UniRepLKNetBlock（k=7）替换进 v13n 主干的层 6，实测训练态 −20,320 参数、GFLOPs 6.5→6.44，部署态再折叠到 −26,720，与官方逐位一致（train max diff = 0），1 轮冒烟训练正常完成。前言卷积层篇的"替换式"玩法，这篇回到大核主线：RepLKNet 证明了大核的有效性，但 31×31 的 dense 核又贵又难优化；UniRepLKNet 的观察是——大核的采样图样可以拆成一组膨胀小核的并集：一个 r×(k−1)+1 等效感受野的膨胀核，采样点恰好落在大核网格的子集上。于是训练期让"7×7 大核 + 5×5 + 两个膨胀 3×3"并联各学各的，推理