魔改YOLOv13，添加UniRepLKNetBlock，融合SE注意力机制，map指标提升16.1，准确率提升6.55，召回率提升11.4

绿色线条为添加UniRepLKNetBlock后的效果，map指标提升16.1，准确率提升6.55，召回率提升11.4。 UniRepLKNet模块通过大核卷积重参数化技术，在训练阶段利用膨胀卷积模拟大感受野，在推理阶段合并为高效单一大核，实现了感受野扩展与计算效率的平衡。 UniRepLKNet包含了 DilatedReparamBlock 和 UniRepLKNetBlock 两个主要组件。DilatedReparamBlock 通过扩张卷积来提高模型感受野，并融合了多个不同尺度的卷积核；UniRepLKNetBlock1 则结合了深度可分离卷积、通道注意力（SE块）和前馈网络模块，具备了动态调整的能力。该模块能够灵活地处理输入特征图，并支持在训练和推理阶段切换不同配置，以优化模型性能

文章目录

• 移植
• • 创建ultralytics\\cfg\\models\\v13\\yolov13-UniRepLKNetBlock.yaml
  • 修改ultralytics\\nn\\tasks.py
  • 修改ultralytics/nn/modules/__init__.py
  • 创建ultralytics\\nn\\modules\\UniRepLKNet.py
  • 修改ultralytics\\nn\\extra_modules\\block.py
• UniRepLKNet及其关键模块原理解析
• • • • 引言
      • 1. **Dilated Reparam Block** 原理解析
      • • 1.1 扩张卷积的背景与意义
        • 1.2 模块结构
        • 1.3 模型部署与优化
      • 2. **UniRepLKNetBlock1** 设计原理
      • • 2.1 核心组成部分
        • 2.2 内部工作机制
        • 2.3 Gamma参数与Drop Path
      • 3. **UniRepLKNetBlock** 设计原理
      • • 3.1 模块化结构
        • 3.2 结构优化
      • 4. **训练与部署模式的切换**
      • 5. **总结与应用**

移植

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