YOLOv13改进策略【Backbone/骨干网络】| 替换骨干网络为 MobileViTv1高效的信息编码与融合模块，获取局部和全局信息

一、本文介绍

本文记录的是基于MobileNet V4的YOLOv13目标检测轻量化改进方法研究。

其中MobileViT块旨在以较少的参数对输入张量中的局部和全局信息进行建模，结合卷积与 Transformer 的优势，并实现有效的信息编码与融合，。本文配置了原论文中MobileViT-S、MobileViT-XS和MobileViT-XXS三种模型，以满足不同的需求。

---

专栏目录：YOLOv13改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

专栏地址：YOLOv13改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

---

二、MobileViT V1模型轻量化设计

MOBILEVIT: LIGHT-WEIGHT, GENERAL-PURPOSE, AND MOBILE-FRIENDLY VISION TRANSFORMER

2.1 出发点

• 轻量级卷积神经网络（CNNs）虽在移动视觉任务中有应用，但存在空间局限性。基于自注意力的视觉Transformer（ViTs）虽可学习全局表示，但模型较重。因此需要结合两者优势，构建适用于移动视觉任务的轻量级、低延迟网络。

2.2 原理

• 将Transformer视为卷积，学习全局表示的同时，隐式地结合卷积的特性（如空间偏差），并能用简单的训练方法（如基本的数据增强）学习表示，还能轻松与下游架构集成。

2.3 结构

2.3.1 MobileViT块

• 对于输入张量 x ∈ R H × W × C x\in\mathbb{R}^{H\times W\times C}