YoloV8改进策略：RepViT改进YoloV8，轻量级的Block助力YoloV8实现更好的移动性_repvit改进为repvb

摘要

RepViT 是一种轻量级的深度学习模型，专为移动设备设计。它从ViT（Vision Transformer）的视角重新审视了移动设备上的CNN（Convolutional Neural Network）模型。

CNN通常在图像处理方面表现出色，但通常需要大量的计算资源，这使得它们不适合在资源受限的移动设备上运行。另一方面，ViT是一种基于自注意力机制的模型，适合处理长序列数据，但在图像处理方面不如CNN表现。

RepViT 通过将CNN和ViT结合，形成了一个既具备CNN局部感知能力，又具备ViT全局抽象能力的轻量级模型。这使得RepViT在保持较高性能的同时，又能够适应移动设备的计算和内存资源限制。

实现上，RepViT 采用了类似于CNN的卷积层结构，但在每一层的卷积之后，加入了类似于ViT的自注意力机制。此外，RepViT 还采用了类似于ViT的“位置嵌入”技术，将输入图像中的每个像素位置映射到一个向量空间中，从而更好地捕捉图像中的空间信息。

总的来说，RepViT 的主要优点是兼具CNN和ViT的优点，并且比两者更适合移动设备。

论文：《RepViT：从ViT视角重新审视移动CNN》

https://arxiv.org/pdf/2307.09283.pdf
近年来，与轻量级卷积神经网络(CNN)相比，轻量级视觉Transformers(ViTs)在资