YOLOv13改进策略【Backbone/轻量化】| PP-LCNet：轻量级的CPU卷积神经网络

一、本文介绍

本文记录的是利用PP-LCNet中的DepSepConv模块优化YOLOv13。本文利用DepSepConv模块改善模型结构，使模型在几乎不增加延迟的情况下提升网络准确度。

---

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、PP-LCNet介绍

PP-LCNet：一个轻量级的CPU卷积神经网络

2.1 PP-LCNet结构设计

2.1.1 特点

论文中总结了一系列在不增加推理时间的情况下提高精度的方法，并结合这些方法实现了精度和速度的更好平衡。基于此提出了设计轻量级CNN的一些通用规则。

2.1.2 模块原理

• 基本块：使用MobileNetV1中提到的DepthSepConv作为基本块，该模块不会增加模型的推理速度和额外的操作，且已被英特尔CPU加速库深度优化，推理速度可超越其他轻量级块。

• 激活函数：将BaseNet中的激活函数从ReLU替换为H-Swish，大大提高了性能，同时推理时间几乎不变。

• SE模块：SE模块有助于对网络通道进行加权以获得更好的特征，但在英特尔CPU上会增加推理时间。通过实验发现，将SE模块添加到网络尾部附近的块中，可以发挥更好的作用，实现更好的精度 - 速度平衡。

• 卷积核大小：实验发现，在网络尾