176、YOLOv8改进实战：基于RepOptimizer重参数化技术的模型加速与部署优化（附TensorRT实测对比）

176、YOLOv8改进实战：基于RepOptimizer重参数化技术的模型加速与部署优化（附TensorRT实测对比）

一、一个让我失眠的部署问题

去年有个项目，客户要求YOLOv8模型在Jetson Orin上跑到60fps，同时mAP不能掉超过0.5个点。我试了剪枝、量化、蒸馏，要么精度崩了，要么加速效果不理想。直到我翻到RepVGG那篇论文，突然意识到——YOLOv8的C2f模块里那些3x3和1x1的并行分支，完全可以用结构重参数化在推理阶段合并掉。

当时我盯着TensorRT的profiling结果，发现C2f模块的卷积调用占了整个模型推理时间的37%。这些并行分支在训练时有用，推理时纯粹是累赘。RepOptimizer的思路就是：训练时保持多分支结构，推理时通过等价变换合并成单路卷积。

二、RepOptimizer的核心逻辑——别被论文公式吓到

RepOptimizer本质上解决的是“训练多分支、推理单路”的优化问题。传统的结构重参数化需要在训练后手动做等价变换，而RepOptimizer把这个过程嵌入到优化器里，让模型在训练过程中就学会“合并后的权重”。

关键点在于：每个3x3卷积和它旁边的1x1卷积、BN层，最终可以合并成一个3x3卷积。合并后的卷积核参数是训练过程中通过梯度传播自动学习的，不需要后处理。

我踩过的坑：一开始我直接在YOLOv8的C2f模块上套RepOptimizer，结果训练loss死活不收敛。后来发现是因为C2f里的残差连接和RepOptim