YOLOv13涨点改进 | 全网独家Conv改进篇 | CVPR 2024 | YOLOv13引入IDConv大核分解卷积模块，轻量化改进，含IDC3k2和INBC3k2二次创新改进、助力有效涨点

一、本文介绍

🔥本文介绍使用IDConv模块改进YOLOv13网络模型，IDConv通过将传统的大核深度卷积操作分解为多个小的并行卷积分支（包括小方形卷积核、带状卷积核和身份映射），优化了计算效率。这种分解方式减少了计算量，同时保持了大感受野，增强了模型对长程依赖的捕捉能力。

展示部分YOLOv13改进后的网络结构图、供小伙伴自己绘图参考：

🚀 创新改进结构图:  yolov13n_IDC3k2.yaml

专栏改进目录：YOLOv13改进包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、HyperACE二次创新、独家创新等几百种创新点改进。

全新YOLOv13创新改进专栏链接：全新YOLOv13创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文

本文目录

一、本文介绍

二、IDConv模块介绍

2.1 IDConv模块网络结构图

2.2 IDConv模块的作用

2.3 IDConv模块的优势

2.4 IDConv模块的原理

三、完整核心代码

四、手把手教你配置模块和修改task.py文件

1.首先在ultralytics/nn/newsAddmodules创建一个.py文件

2.在ultralytics/nn/newsAddmodules/__init__.py中引用

3.修改tasks.py文件

五、创建涨点yaml配置文件

🚀 创新改进1 : yolov13n_IDC3k2.yaml

🚀 创新改进2 : yolov13n_INBC3k2.yaml

六、正常运行

---

 

二、IDConv模块介绍

摘要：受到ViT（Vision Transformer）在长程建模能力方面的启发，最近大核卷积被广泛研究和应用，以扩大感受野并提高模型性能，例如ConvNeXt，它采用了7×7的深度卷积。尽管这种深度卷积操作的FLOPs较少，但由于高内存访问成本，它在强大计算设备上的效率较低。例如，ConvNeXt-T的FLOPs与ResNet-50相似，但在使用A100 GPU进行全精度训练时，其吞吐量仅为60%。虽然减小ConvNeXt的卷积核大小可以提高速度，但这会导致性能显著下降。如何在保留大核卷积CNN模型性能的同时提高速度仍不明确。为了解决这个问题，我们受Inception启发，提出将大核深度卷积分解为沿通道维度的四个并行分支，即小的方形卷积核、两个正交带状卷积核和身份映射。通过这种新的Inception深度卷积，我们构建了一系列网络，即InceptionNeXt，它不仅享有较高的吞吐量，而且保持了竞争力的性能。例如，InceptionNeXt-T比ConvNeX-T的训练吞吐量提高了1.6倍，同时在ImageNet-1K数据集上的Top-1准确率提高了0.2%。我们预期I