YOLOv13改进策略【Neck篇】| AFPN 渐进式特征金字塔，整体替换 Head 参数反降 82 万

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。Neck 篇收官之作是最大刀阔斧的一篇：AFPN（Asymptotic Feature Pyramid Network，Yang et al., 2023，官方源码 github.com/gyyang23/AFPN）主张放弃"自顶向下+自底向上"的固定路径，让相邻尺度先融合、逐级渐进。本文用官方 AFPN 整体替换 v13 的 HyperACE/FullPAD Head——实测参数减少 825,746、GFLOPs 7.1。

前言

Neck 篇收官。前四篇都是"节点级"改动（换一个汇合点、一处上采样、一处卷积）；这篇是结构级改动：把 v13 的整个 head（HyperACE 超图 + 7 个 FullPAD 门控 + PANet 路径，共 24 层）替换为一个 AFPN 渐进式融合模块。AFPN 出自论文《AFPN: Asymptotic Feature Pyramid Network for Object Detection》（2023），核心思想是渐近（asymptotic）：直接融合语义差距大的相邻尺度会有信息冲突，先把最相邻的层级融合出"中间结果"，再逐级向更远尺度扩散。替换后整网只有 14 层。

专栏目录：YOLOv13改进目录一览

专栏地址：YOLOv13改进专栏——持续更新各方向即插即用改进

一、替换点分析：整个 Head

backbone:
– [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
– [-1, 1, Conv, [128, 3, 2, 1, 2]] # 1-P2/4
– [-1, 2, DSC3k2, [256, False, 0.25]]# 2 ← AFPN 的第 4 路输入（P2 尺度，64 通道）
– [-1, 1, Conv, [256, 3, 2, 1, 4]] # 3-P3/8
– [-1, 2, DSC3k2, [512, False, 0.25]]# 4 ← 第 1 路（P3，128 通道）
– [-1, 1, DSConv, [512, 3, 2]] # 5-P4/16
– [-1, 4, A2C2f, [512, True, 4]] # 6 ← 第 2 路（P4，128 通道）
– [-1, 1, DSConv, [1024, 3, 2]] # 7-P5/32
– [-1, 4, A2C2f, [1024, True, 1]] # 8 ← 第 3 路（P5，256 通道）

head:
– [[2, 4, 6, 8], 1, AFPN, [128]] # 9 ★AFPN（整体替换，4 尺度渐进融合）
– [9, 1, GoI, [1]] # 10 取 P3
– [9, 1, GoI, [2]] # 11 取 P4
– [9, 1, GoI, [3]] # 12 取 P5
– [[10, 11, 12], 1, Detect, [nc]] # 13 Detect(P3, P4, P5)

两个关键点：

二、AFPN 原理

• 传统 FPN/PAN 的路径是写死的：先自顶向下、再自底向上，所有相邻尺度无差别融合。AFPN 问：语义差距悬殊的尺度（P5 与 P3）直接融合，冲突谁来解决？
• 渐近融合：只让相邻尺度先融合（P2+P3 → P3'；P3'+P4 → P4'……），语义差距逐级消化。每一级融合用 ASFF 节点（自适应空间融合，逐像素 softmax 权重）完成；
• 渐进的两轮：第一轮完成基础融合，第二轮在融合结果上再做一次带残差的渐进融合，最后各尺度过 BasicBlock 精炼输出；
• 尺度对齐：跨尺度融合前用 1×1 卷积（Downsample_x2/x4/x8 与 Upsample）对齐空间尺寸与通道。

一句话：把"金字塔的形状"也交给网络按内容组织，而不是设计者画死。

⚠️ 实现说明：官方 AFPN 为 mmdetection 的 4 级实现，本文逐类内嵌（BasicConv/BasicBlock/Upsample/Downsample/ASFF_2I/ASFF_3/ASFF_4/BlockBody），仅将官方类名 ASFF_2 改为 ASFF_2I（避免与 ultralytics parse_model 的属性名冲突，见下方新坑）。内部节点与官方逐位一致。

三、实现代码

模块较长（BasicConv / BasicBlock / Upsample / Downsample_x2/x4/x8 / ASFF_2I / ASFF_3 / ASFF_4 / BlockBody / AFPN / GoI 共约 230 行），完整代码可在专栏配套代码包中获取，核心骨架如下：

import torch
import torch.nn as nn
import torch.nn.functional as F

class BasicConv(nn.Module):
"""官方 AFPN 的 BasicConv：Conv + BN + SiLU（k>1 时自动补 padding）。"""

def __init__(self, in_planes, out_planes, kernel_size, stride=1, pad=None,
relu=True, bn=True, bias=False):
super().__init__()
if not pad:
pad = (kernel_size – 1) // 2 if kernel_size else 0
self.conv = nn.Conv2d(in_planes, out_planes, kernel_size, stride=stride,
padding=pad, groups=groups if False else 1, bias=bias)
self.bn = nn.BatchNorm2d(out_planes, eps=1e-5, momentum=0.01, affine=True) if bn else None
self.relu = nn.ReLU() if relu else None

def forward(self, x):
x = self.conv(x)
if self.bn is not None:
x = self.bn(x)
if self.relu is not None:
x = self.relu(x)
return x

class ASFF_2(nn.Module):
"""两输入 ASFF 融合节点：softmax 逐像素加权。"""

def __init__(self, inter_dim):
super().__init__()
compress_c = 8
self.weight_level_1 = BasicConv(inter_dim, compress_c, 1, 1)
self.weight_level_2 = BasicConv(inter_dim, compress_c, 1, 1)
self.weight_levels = nn.Conv2d(compress_c * 2, 2, 1, 1, 0)
self.conv = BasicConv(inter_dim, inter_dim, 3, 1)

def forward(self, input1, input2):
w1 = self.weight_level_1(input1)
w2 = self.weight_level_2(input2)
wei = self.weight_levels(torch.cat((w1, w2), 1))
wei = F.softmax(wei, dim=1)
return input1 * wei[:, 0:1] + input2 * wei[:, 1:2]

# Downsample_x2/x4/x8、Upsample、ASFF_3（三输入）、ASFF_4（四输入）、
# BlockBody（两轮渐进融合）与官方实现一致，篇幅所限从略；
# 完整代码与专栏配套包一致。

class AFPN(nn.Module):
"""AFPN 渐进式特征金字塔：输入 4 个尺度，输出 4 路融合特征。"""

def __init__(self, in_channels, out_channels=128):
super().__init__()
self.conv0 = BasicConv(in_channels[0], in_channels[0] // 8, 1)
self.conv1 = BasicConv(in_channels[1], in_channels[1] // 8, 1)
self.conv2 = BasicConv(in_channels[2], in_channels[2] // 8, 1)
self.conv3 = BasicConv(in_channels[3], in_channels[3] // 8, 1)
self.body = BlockBody([in_channels[0] // 8, in_channels[1] // 8,
in_channels[2] // 8, in_channels[3] // 8])
self.conv00 = BasicConv(in_channels[0] // 8, out_channels, 1)
self.conv11 = BasicConv(in_channels[1] // 8, out_channels, 1)
self.conv22 = BasicConv(in_channels[2] // 8, out_channels, 1)
self.conv33 = BasicConv(in_channels[3] // 8, out_channels, 1)

def forward(self, x):
x0, x1, x2, x3 = x
x0 = self.conv0(x0)
x1 = self.conv1(x1)
x2 = self.conv2(x2)
x3 = self.conv3(x3)
out0, out1, out2, out3 = self.body([x0, x1, x2, x3])
return self.conv00(out0), self.conv11(out1), self.conv22(out2), self.conv33(out3)

class GoI(nn.Module):
"""GoIndex：从多输出模块取第 idx 路特征。"""

def __init__(self, c1, idx=0):
super().__init__()
self.idx = idx

def forward(self, x):
t = x[0] if isinstance(x, (list, tuple)) and len(x) == 1 else x
return t[self.idx]

⚠️ v13 新坑（属性名冲突）：ultralytics 的 parse_model 会给每个层实例写入 m_.f（from 索引）等属性，官方类里若有同名子模块（如 self.f）会直接 TypeError。AFPN 的融合节点 ASFF_2/ASFF_4 无此问题，但为区分"对外注册的列表输入版"与"BlockBody 内部的双参数版"，本文将内部节点命名为 ASFF_2I。注册到 ultralytics 的官方模块，成员命名务必避开 f/i/type/np/params。

四、添加步骤（v13 版）

1. 修改 ultralytics/nn/modules/conv.py

BasicConv（若已有则跳过）、BasicBlock、Upsample、Downsample_x2/x4/x8、ASFF_2I、ASFF_3、ASFF_4、BlockBody、AFPN、GoI 依次粘贴到 conv.py 末尾。

2. 修改 ultralytics/nn/modules/__init__.py

from .conv import (…) 里追加 AFPN, 与 GoI,；__all__ 里给最后一项 "DSConv" 补逗号后追加 "AFPN"、"GoI"。

3. 修改 ultralytics/nn/tasks.py

顶部导入块加 AFPN、GoI；parse_model() 里新增两个分支（AFPN 多输入取通道列表；GoI 取路）：

elif m is AFPN: # AFPN：多输入整体 Neck，输出通道取声明的统一值
args.insert(0, [ch[x] for x in f])
c2 = args[-1]
elif m is GoI: # GoI：从多输出模块取第 idx 路
c2 = ch[f]
args = [c2, *args]

插入位置：elif m is FullPAD_Tunnel: 之后、else: 之前。

五、yaml 模型文件

整体替换 Head，全网仅 14 层：

# Ultralytics YOLOv13n + AFPN 渐进式特征金字塔（整体替换 Head）🚀
nc: 80
scales:
n: [0.50, 0.25, 1024]
s: [0.50, 0.50, 1024]
l: [1.00, 1.00, 512]
x: [1.00, 1.50, 512]

backbone:
# [from, repeats, module, args]
– [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
– [-1, 1, Conv, [128, 3, 2, 1, 2]] # 1-P2/4
– [-1, 2, DSC3k2, [256, False, 0.25]]# 2（P2 尺度，AFPN 第 4 路输入）
– [-1, 1, Conv, [256, 3, 2, 1, 4]] # 3-P3/8
– [-1, 2, DSC3k2, [512, False, 0.25]]# 4（P3，AFPN 第 1 路输入）
– [-1, 1, DSConv, [512, 3, 2]] # 5-P4/16
– [-1, 4, A2C2f, [512, True, 4]] # 6（P4，第 2 路输入）
– [-1, 1, DSConv, [1024, 3, 2]] # 7-P5/32
– [-1, 4, A2C2f, [1024, True, 1]] # 8（P5，第 3 路输入）

head:
– [[2, 4, 6, 8], 1, AFPN, [128]] # 9 ★AFPN（整体替换 Head）
– [9, 1, GoI, [1]] # 10 取 P3
– [9, 1, GoI, [2]] # 11 取 P4
– [9, 1, GoI, [3]] # 12 取 P5
– [[10, 11, 12], 1, Detect, [nc]] # 13 Detect(P3, P4, P5)

六、成功运行结果

yolo detect train model=yolov13n-AFPN.yaml data=mydata.yaml epochs=100 imgsz=640 batch=16

Python 方式：

from ultralytics import YOLO

model = YOLO("yolov13n-AFPN.yaml").load("yolov13n.pt")
model.train(data="mydata.yaml", epochs=100, imgsz=640, batch=16)

本文实测（YOLOv13 官方仓库，Windows CPU，v13n 结构，整体替换 Head）：

基线 yolov13n: 2,494,151 parameters, 6.5 GFLOPs
+AFPN: 1,668,405 parameters, 7.1 GFLOPs Head→AFPN（全网14层）
3 epochs completed. Results saved to runs\\detect\\v13_afpn_smoke

✅ 断言全部通过：① 内嵌的融合节点与官方 AFPN 实现同权重输出逐位一致（ASFF_2 max diff = 0）；② 第 9 层为 AFPN，总参数量比基线减少 825,746（HyperACE/FullPAD 整套结构退场）；③ 14 层 yaml 的 4 路输入与 GoI 取路全部正确，整网 640 前向正常，3 轮冒烟训练正常收敛。

提示：AFPN 是结构级替换，与节点级改进不是同一量级的实验——它改变的是"融合的路径组织"本身。GFLOPs 略升（P2 高分辨率路参与融合）与参数大降并存，属于"用算力换结构简化"的典型。若你的任务对平移稳定性和多尺度一致性敏感，这套渐进式结构值得完整消融。

七、总结

AFPN 的四点记忆锚：渐近融合（只融合相邻尺度，语义冲突逐级消化）、ASFF 节点是融合的原子（逐像素 softmax 权重）、4 尺度输入恰好对上 v13 的层 2/4/6/8（P2 高分辨率路变废为宝）、GoI 桥梁（多输出模块与 ultralytics 单张量书写的通用解法）。它也是 Neck 篇的方法论收官：节点级（BiFPN/GSConv/CARAFE/ASFF_2）解决"某个点怎么做"，结构级（AFPN）解决"整条路怎么组织"——两层思路配合使用，才能把 Neck 改透。

Neck 篇五篇到此完整。下一篇进入【损失函数篇】——WIoU v3 动态非单调聚焦损失，专治低质量标注。

觉得有帮助的话，点赞收藏关注三连支持一下，评论区欢迎交流你的实验结果~

专栏目录：YOLOv13改进目录一览 专栏地址：YOLOv13改进专栏——持续更新各方向即插即用改进