摘要：近年来，与轻量级卷积神经网络(cnn)相比，轻量级视觉变压器(ViTs)在资源受限的移动设备上表现出了更高的性能和更低的延迟。这种改进通常归功于多头自注意模块，它使模型能够学习全局表示。然而，轻量级vit和轻量级cnn之间的架构差异还没有得到充分的研究。在这项研究中，本文重新审视了轻量级cnn的高效设计，并强调了它们在移动设备上的潜力。通过集成轻量级vit的高效架构选择，本文逐步增强了标准轻量级CNN的移动友好性，特别是MobileNetV3。这就产生了一个新的纯轻量级cnn家族，即RepViT。大量的实验表明，RepViT优于现有的轻型vit，并在各种视觉任务中表现出良好的延迟。在ImageNet上，RepViT在iPhone 12上以近1ms的延迟实现了超过80%的top-1精度。

Separate token mixer and channel mixer. RepViT 将深度卷积提前，使得Channel Mixel和Token Mixel能够被分开。为了提高性能，还引入了结构重参数化来在训练时为深度滤波器引入多分支拓扑
Reducing expansion ratio and increasing width. 在通道混合器中，原本的扩张比例是4，这意味着MLP块的隐藏维度是输入维度的四倍，这对计算资源造成了很大的负担，对推理时间产生了显著影响。为了解决这个问题，本文可以将扩张比例降低到2，从而减少了参数冗余和延迟，使得MobileNetV3-L的延迟降低到0.65毫秒。随后，通过增加网络的宽度，即增加各阶段的通道数量
Early convolutions for stem. 复杂的起始模块会引入显著的延迟瓶颈，因此用早期卷积替换了原始的起始模块，同时增大通道数到24。
Deeper downsampling layers. 首先使用一个1x1卷积来调整通道维度，然后将两个1x1卷积的输入和输出通过残差连接，形成一个前馈网络。此外，他们还在前面增加了一个 RepViT 块以进一步加深下采样层，增加网络深度并减少由于分辨率降低带来的信息损失。
Simple classifier. 将原来复杂的分类器替换为一个简单的分类器，即一个全局平均池化层和一个线性层。
Kernel size selection. CNNs 的性能和延迟通常受到卷积核大小的影响。为了建模像 MHSA 这样的远距离上下文依赖，ConvNeXt 使用了大卷积核，从而实现了显著的性能提升。然而，大卷积核对于移动设备并不友好，因为它的计算复杂性和内存访问成本。MobileNetV3-L 主要使用 3x3 的卷积，有一部分块中使用 5x5 的卷积。本文将它们替换为3x3的卷积。
Squeeze-and-excitation layer placement. 作为一个通道注意力模块，SE层可以弥补卷积在缺乏数据驱动属性上的限制，从而带来更好的性能。本文设计了一种策略，在所有阶段以交叉块的方式使用SE层，从而在最小的延迟增量下最大化准确率的提升。

RepViT变体结构配置如下

在YOLOv5项目中添加RepViT模型作为Backbone使用的教程：
（1）将YOLOv5项目的models/yolo.py修改parse_model函数以及BaseModel的_forward_once函数

（2）在models/backbone（新建）文件下新建repvit.py，添加如下的代码：

（3）在models/yolo.py导入模型并在parse_model函数中修改如下（记得先导入文件）：

（4）在model下面新建配置文件：yolov5_repvit.yaml

（5）运行验证：在models/yolo.py文件指定–cfg参数为新建的yolov5_repvit.yaml