099、C3k2_Rep：C3k2 与 RepConv 的杂交设计——训练多分支推理单分支的重参数化

099、C3k2_Rep：C3k2 与 RepConv 的杂交设计——训练多分支推理单分支的重参数化

从一次诡异的显存爆炸说起

去年秋天调YOLOv11n在T4上做边缘端部署，模型结构改到C3k2模块时，训练显存直接飙到12G，推理却只有4G。当时盯着nvidia-smi看了半小时，心想这不对劲——训练时多出来的8G显存去哪了？后来扒开C3k2的forward代码，发现里面套了三层残差分支加两个并行卷积，训练时所有分支都保留着梯度，而推理时这些分支全被折叠成单路。这不就是典型的“训练时多分支、推理时单分支”场景吗？RepVGG那套重参数化思路正好能解决这个问题——把C3k2里的冗余分支在训练时保留以提升表达能力，推理时合并成单路卷积，既省显存又提速。

问题本质：C3k2的结构冗余

YOLOv11的C3k2模块长这样：输入先经过一个1x1卷积降维，然后分成两路——一路走常规的3x3卷积堆叠（k=2表示两个Bottleneck），另一路走残差直连。这两路在通道维度拼接后再过1x1卷积。问题在于，训练时每个Bottleneck内部还有残差分支，加上跨模块的shortcut，整个计算图里分支数量呈指数级增长。反向传播时，每个分支都要保留中间激活值，显存自然爆炸。

更坑的是，这些分支在推理时对精度贡献并不均衡。我做过实验，把C3k2里第二个Bottleneck的残差分支去掉，mAP只掉了0.3%，但推理速度提升了15%。这说明很多分支是冗余的，但训练时它们确实帮助了梯度流动。RepConv的