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。核大小的选择困境：3×3 太局部、5×5/7×7 太贵。MixConv（Mixed Depthwise Convolution，Tan Le, ECCV 2019《MixNet》，MixNet/MobileNetV3 团队出品，标准 PyTorch 实现社区广泛流传）的答案：别选了——把通道均分成三组，每组配一种核（3×3 / 5×5 / 7×7）并行深度卷积，输出拼接——不同通道天然偏好不同感受野，一网打尽。本文把它替换进 v13n 的层 5 下采样卷积，实测−13,976 参数（还变轻了）、GFLOPs 6.5→6.49，3 轮冒烟训练正常收敛。前言卷积层篇的"替换式"玩法：MixConv 出自 EfficientNet 原班人马的 MixNet 论文——它源自一个 AutoML 搜索发现：把 MAdds 预算翻倍，网络自动把大核分配给部分通道而非所有通道；人工提炼后就是 MixConv：分组深度卷积 + 每组不同核大小。替换点选在 v13n 的层 5（P4 入口下采样，128 通道 @80×80 → 128 通道 @40×40，in=out=128）：三组 3/5/7 深度卷积在 128 通道上参数极少（整层 3,816），stride 由各组同步承担。所有数据均在 v13n 上实测。 YOLOv13改进策略【卷积层篇】| ECCV 2019 MixConv2d 混合卷积，每 1/3 通道配一种卷积核
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。核大小的选择困境：3×3 太局部、5×5/7×7 太贵。MixConv（Mixed Depthwise Convolution，Tan Le, ECCV 2019《MixNet》，MixNet/MobileNetV3 团队出品，标准 PyTorch 实现社区广泛流传）的答案：别选了——把通道均分成三组，每组配一种核（3×3 / 5×5 / 7×7）并行深度卷积，输出拼接——不同通道天然偏好不同感受野，一网打尽。本文把它替换进 v13n 的层 5 下采样卷积，实测−13,976 参数（还变轻了）、GFLOPs 6.5→6.49，3 轮冒烟训练正常收敛。前言卷积层篇的"替换式"玩法：MixConv 出自 EfficientNet 原班人马的 MixNet 论文——它源自一个 AutoML 搜索发现：把 MAdds 预算翻倍，网络自动把大核分配给部分通道而非所有通道；人工提炼后就是 MixConv：分组深度卷积 + 每组不同核大小。替换点选在 v13n 的层 5（P4 入口下采样，128 通道 @80×80 → 128 通道 @40×40，in=out=128）：三组 3/5/7 深度卷积在 128 通道上参数极少（整层 3,816），stride 由各组同步承担。所有数据均在 v13n 上实测。