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。本专栏第三篇零代码改进：RepConv（ultralytics 内置，RT-DETR 的经典组件，源自 RepVGG）在 conv.py 里躺了很久——训练时 3×3 + 1×1 双分支并行提特征，fuse_convs()一键把两路折叠成单个 3×3 卷积，部署零开销。本文把它替换进 v13n 的层 5 下采样卷积，实测+146,560 参数（训练态）、GFLOPs 6.5→7.01、融合误差 7.6e-6，3 轮冒烟训练正常收敛。前言卷积层篇的"内置模块"玩法第三篇（前两篇：GhostConv 第 57 篇、ADown 第 58 篇）。RepConv 是 ultralytics 为 RT-DETR 引入的重参数化卷积（ultralytics/nn/modules/conv.py），已在标准卷积分支注册，yaml 直接可用。与第 56 篇 DBB（四分支）、第 65 篇 BepC3（CSP 包装的 RepVGGBlock）不同，RepConv 是"裸"的两分支块——适合直接替换单个卷积层。替换点选在 v13n backbone 的层 5（P4 入口下采样，128 通道 @80×40→40，in=out=128），训练期双分支的表征红利在"通道数不变、任务
YOLOv13改进策略【卷积层篇】| RepConv 重参数化卷积，RT-DETR 同款零代码替换
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。本专栏第三篇零代码改进：RepConv（ultralytics 内置，RT-DETR 的经典组件，源自 RepVGG）在 conv.py 里躺了很久——训练时 3×3 + 1×1 双分支并行提特征，fuse_convs()一键把两路折叠成单个 3×3 卷积，部署零开销。本文把它替换进 v13n 的层 5 下采样卷积，实测+146,560 参数（训练态）、GFLOPs 6.5→7.01、融合误差 7.6e-6，3 轮冒烟训练正常收敛。前言卷积层篇的"内置模块"玩法第三篇（前两篇：GhostConv 第 57 篇、ADown 第 58 篇）。RepConv 是 ultralytics 为 RT-DETR 引入的重参数化卷积（ultralytics/nn/modules/conv.py），已在标准卷积分支注册，yaml 直接可用。与第 56 篇 DBB（四分支）、第 65 篇 BepC3（CSP 包装的 RepVGGBlock）不同，RepConv 是"裸"的两分支块——适合直接替换单个卷积层。替换点选在 v13n backbone 的层 5（P4 入口下采样，128 通道 @80×40→40，in=out=128），训练期双分支的表征红利在"通道数不变、任务