企业官网建设流程全解析

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。非局部注意力的 (HW)² 矩阵一步到位但太贵；A2（Double Attention Network，Chen et al., NeurIPS 2018）拆成两步：先用 B 的空间相似度把特征"聚合"成 c_m×c_n 的全局描述子（bmm，与 HW 无关），再用 V 的相似度把描述子"分发"回每个位置——两步都是 bmm/matmul，复杂度 O(HW·c) 而非 O((HW)²)。本文把它插入 v13n 主干层 6 之后（128 通道 @40×40 的 P4 尺度），实测仅 +16,608 参数、GFLOPs 6.5→6.59，与标准实现逐位一致，3 轮冒烟训练正常收敛。

前言

注意力机制篇的"插入式"玩法（层 6 之后插入、层号全量顺移）。A2 出自论文《Double Attention Network for Scene Understanding》——它的洞察是：非局部注意力的本质是"聚合全局、再分发回各处"，这两个动作可以解耦成两次矩阵乘，中间的中介是 c_n 个"可学习的语义槽"（类似后来 ExternalAttention 的记忆单元思想，A2 早了三年）。插入点选在层 6 之后：A2C2f 输出的 P4 特征（128 通道 @40×40），1600 个位置的两步 bmm 在这里几乎免费。所有数据均在 v13n 上实测。