企业官网建设流程全解析

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。标准卷积有个隐含假设：3×3 感受野里的 9 个位置同等重要。RFAConv（Receptive-Field Attention Convolution，2023）推翻了这个假设——先给感受野里每个位置打分，加权之后再卷积。本文把它替换进 v13n 的第 1 层下采样卷积，实测+4,000 参数。

前言

卷积层改进的"替换式"玩法：本文的候选是 RFAConv，出自论文《RFAConv: Innovating Spatital Attention and Standard Convolution》（2023），官方源码 github.com/Liuchen1997/RFAConv。它是"空间注意力 + 标准卷积"的融合体：注意力不再作用在特征图上，而是作用在卷积核的感受野内部。替换点选在 v13n backbone 的层 1（输入 16 通道 @320×320 → 输出 32 通道 @160×160），与普通 stride-2 卷积的输入输出完全对齐。

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

backbone: - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2 - [-1, 1, Conv, [128, 3, 2, 1, 2]] # 1-P2/4 ← 本文替换这一层 ...

层数不变，无顺移。层 1 的输入 16 通道、输出 32 通道、stride 2——RFAConv 官方实现支持 stride 参数（k=3, s=2 时输出恰为输入的一半，本文已数值验证），可直接对齐。

二、RFAConv 原理

• 动机：空间注意力（CBAM 的空间分支等）回答"特征图上哪个位置重要"，但卷积核滑窗内部——即感受野的 9 个位置——始终被同等对待。感受野内部的差异信息被池化/下采样给抹掉了；
• RFAConv 的三步：
  1. 打分：AvgPool 采样 + 分组 1×1 卷积，为每个感受野生成 k² 个权重，softmax 归一化——"这 9 个位置谁重要"；
  2. 提特征：分组 3×3 卷积把每个感受野展开成 k² 个特征片，乘上权重；
  3. 重排 + 卷积：把加权后的特征片按空间顺序重排回大图（等价于官方的rearrange('b c (n1 n2) h w -> b c (h n1) (w n2)')），再做一次标准卷积输出；
• 效果：感受野内部的位置信息被显式保留和加权，而标准卷积把 9 个位置压成一组共享权重。

三、实现代码

由官方 Liuchen1997/RFAConv 等价适配：官方用einops.rearrange做空间重排，本文以 view/permute 等价替换，已做同权重输出逐位比对（320×320 输入下 max diff = 0）：

import torch import torch.nn as nn class RFAConv(nn.Module): """RFAConv 感受野注意力卷积 (Liu et al., 2023)，官方等价适配版。 输出空间尺寸 = 输入 / stride（k=3, s=2 时与普通 stride-2 卷积对齐， 可直接替换下采样卷积）。 """ def __init__(self, c1, c2, kernel_size=3, stride=1): super().__init__() self.kernel_size = kernel_size self.get_weight = nn.Sequential( nn.AvgPool2d(kernel_size=kernel_size, padding=kernel_size // 2, stride=stride), nn.Conv2d(c1, c1 * (kernel_size ** 2), kernel_size=1, groups=c1, bias=False)) self.generate_feature = nn.Sequential( nn.Conv2d(c1, c1 * (kernel_size ** 2), kernel_size=kernel_size, padding=kernel_size // 2, stride=stride, groups=c1, bias=False), nn.BatchNorm2d(c1 * (kernel_size ** 2)), nn.ReLU()) self.conv = nn.Sequential( nn.Conv2d(c1, c2, kernel_size=kernel_size, stride=kernel_size)) def forward(self, x): b, c = x.shape[0:2] weight = self.get_weight(x) h, w = weight.shape[2:] weighted = weight.view(b, c, self.kernel_size ** 2, h, w).softmax(2) feature = self.generate_feature(x).view(b, c, self.kernel_size ** 2, h, w) weighted_data = feature * weighted # 等价于官方 rearrange('b c (n1 n2) h w -> b c (h n1) (w n2)') conv_data = weighted_data.view(b, c, self.kernel_size, self.kernel_size, h, w) conv_data = conv_data.permute(0, 1, 4, 2, 5, 3).reshape( b, c, h * self.kernel_size, w * self.kernel_size) return self.conv(conv_data)

注意签名与Conv对齐（c1 自动传入，c2/k/s 来自 yaml），注册用卷积类分支（c2 宽度缩放）。

四、添加步骤（v13 版）

1. 修改ultralytics/nn/modules/conv.py

RFAConv类粘贴到 conv.py 末尾。

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

from .conv import (...)里追加RFAConv,；__all__里给最后一项"DSConv"补逗号后追加"RFAConv"。

3. 修改ultralytics/nn/tasks.py

顶部导入块加RFAConv；parse_model()里新增卷积类分支（c2 宽度缩放）：

elif m is RFAConv: # 卷积类：c1 自动传入，c2 按宽度系数缩放 c1 = ch[f] c2 = args[0] if c2 != nc: c2 = make_divisible(min(c2, max_channels) * width, 8) args = [c1, c2, *args[1:]]

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

五、yaml 模型文件

只改第 1 层，其余与官方 yolov13.yaml 逐行一致：

# Ultralytics YOLOv13n + RFAConv 感受野注意力卷积 🚀 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, RFAConv, [128, 3, 2]] # 1-P2/4 ★RFAConv（替换stride-2卷积，层数不变） - [-1, 2, DSC3k2, [256, False, 0.25]]# 2 - [-1, 1, Conv, [256, 3, 2, 1, 4]] # 3-P3/8 - [-1, 2, DSC3k2, [512, False, 0.25]]# 4 - [-1, 1, DSConv, [512, 3, 2]] # 5-P4/16 - [-1, 4, A2C2f, [512, True, 4]] # 6 - [-1, 1, DSConv, [1024, 3, 2]] # 7-P5/32 - [-1, 4, A2C2f, [1024, True, 1]] # 8 head: - [[4, 6, 8], 2, HyperACE, [512, 8, True, True, 0.5, 1, "both"]] # 9 - [-1, 1, nn.Upsample, [None, 2, "nearest"]] # 10 - [ 9, 1, DownsampleConv, []] # 11 - [[6, 9], 1, FullPAD_Tunnel, []] # 12 - [[4, 10], 1, FullPAD_Tunnel, []] # 13 - [[8, 11], 1, FullPAD_Tunnel, []] # 14 - [-1, 1, nn.Upsample, [None, 2, "nearest"]] # 15 - [[-1, 12], 1, Concat, [1]] # 16 cat backbone P4 - [-1, 2, DSC3k2, [512, True]] # 17 - [[-1, 9], 1, FullPAD_Tunnel, []] # 18 - [17, 1, nn.Upsample, [None, 2, "nearest"]] # 19 - [[-1, 13], 1, Concat, [1]] # 20 cat backbone P3 - [-1, 2, DSC3k2, [256, True]] # 21 - [10, 1, Conv, [256, 1, 1]] # 22 - [[21, 22], 1, FullPAD_Tunnel, []] # 23 - [-1, 1, Conv, [256, 3, 2]] # 24 - [[-1, 18], 1, Concat, [1]] # 25 cat head P4 - [-1, 2, DSC3k2, [512, True]] # 26 - [[-1, 9], 1, FullPAD_Tunnel, []] # 27 - [26, 1, Conv, [512, 3, 2]] # 28 - [[-1, 14], 1, Concat, [1]] # 29 cat head P5 - [-1, 2, DSC3k2, [1024,True]] # 30 - [[-1, 11], 1, FullPAD_Tunnel, []] # 31 - [[23, 27, 31], 1, Detect, [nc]] # 32 Detect(P3, P4, P5)

六、成功运行结果

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

Python 方式：

from ultralytics import YOLO model = YOLO("yolov13n-RFAConv.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，替换层 1）：

基线 yolov13n: 2,494,151 parameters, 6.5 GFLOPs（层1为 2,368 参数） +RFAConv: 2,498,151 parameters, 6.7 GFLOPs（层1为 6,368 参数） 3 epochs completed. Results saved to runs\detect\v13_rfaconv_smoke

✅ 断言全部通过：① 适配版与官方 RFAConv 同权重输出逐位一致（max diff = 0，einops 重排已等价替换）；② 第 1 层为RFAConv，总参数量恰为基线 +4,000；③ 层数不变，整网 640 前向正常，3 轮冒烟训练正常收敛。

参数量分解（c1=16, c2=32, k=3, s=2）：

七、总结

RFAConv 的三点记忆锚：注意力作用在感受野内部（k² 个位置打分，而非整张特征图）、空间重排是关键一步（把加权后的特征片拼回大图再卷积）、stride 由输出卷积的 stride=kernel_size 实现（k=3, s=2 恰好对齐下采样）。它与 CoordConv 同位替换层 1，两者互为对照：CoordConv 补"绝对位置感"，RFAConv 补"感受野内相对重要性"。

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