058、YOLOv11改进-RepViT轻量级视觉Transformer骨干替换Backbone适配涨点方案上周调一个边缘部署的检测模型，发现YOLOv11原版C2f在低算力设备上推理延迟还是偏高。试了试把Backbone换成RepViT，效果有点意外——参数量降了15%，mAP反而涨了0.8个点。今天把踩坑记录整理出来。为什么选RepViTMobileNet、ShuffleNet这类轻量CNN在感受野上天生受限。RepViT是ViT的轻量化变体，核心思路是把Transformer的全局自注意力拆成“局部窗口+跨窗口交互”，配合重参数化卷积做下采样。相比原版YOLOv11的Backbone，RepViT在保持感受野的同时，FLOPs能压到1.2G左右（以RepViT-M1.0为例）。注意一点：RepViT有多个变体，M0.5、M1.0、M1.5。目标检测任务建议用M1.0起步，M0.5精度掉得厉害，M1.5参数量上去了但收益边际递减。代码实现细节1. RepViT模块定义importtorchimporttorch.
058、YOLOv11改进-RepViT轻量级视觉Transformer骨干替换Backbone适配涨点方案上周调一个边缘部署的检测模型，发现YOLOv11原版C2f在低算力设备上推理延迟还是偏高。试了试把Backbone换成RepViT，效果有点意外——参数量降了15%，mAP反而涨了0.8个点。今天把踩坑记录整理出来。为什么选RepViTMobileNet、ShuffleNet这类轻量CNN在感受野上天生受限。RepViT是ViT的轻量化变体，核心思路是把Transformer的全局自注意力拆成“局部窗口+跨窗口交互”，配合重参数化卷积做下采样。相比原版YOLOv11的Backbone，RepViT在保持感受野的同时，FLOPs能压到1.2G左右（以RepViT-M1.0为例）。注意一点：RepViT有多个变体，M0.5、M1.0、M1.5。目标检测任务建议用M1.0起步，M0.5精度掉得厉害，M1.5参数量上去了但收益边际递减。代码实现细节1. RepViT模块定义importtorchimporttorch.
)
