一、从一次深夜调试说起
上周三凌晨两点，我盯着服务器上RT-DETR的推理延迟数据直皱眉。模型在验证集上mAP漂亮得很，但实际部署到边缘设备上，帧率直接掉到个位数。
问题出在哪？翻开模型结构一看，那些为了提升精度加入的多分支结构，在推理时成了性能杀手——内存访问碎片化、计算并行度上不去，硬件利用率低得可怜。
这时候突然想起RepVGG那篇论文里的思路：训练时用多分支结构获得更好的梯度流和表示能力，推理时合并成单路直连网络。这不正是解决当前困境的钥匙吗？
连夜动手把RepVGG风格的重参数化机制移植到RT-DETR的某些关键模块，第二天测试，同样的精度下推理速度提升了37%。今天就把这套实战经验完整分享出来。
二、RepVGG重参数化的核心思想
先别急着看代码，理解思想比复制粘贴重要。RepVGG的精髓在于“结构重参数化”——训练和推理用两套不同的结构表达。
训练时我们用3x3卷积、1x1卷积和恒等映射（identity）三个分支并行。
这三个家伙各有各的作用：3x3卷提取空间特征，1x1卷做通道变换，identity保留原始信息。多分支结构让梯度传播更顺畅，模型更容易收敛到好的局部最优。
推理时呢？我们把这三个分支合并成一个单一的3x3卷积层。注意，不是简单的替换，而是数学上的等价转换。三个卷积核和偏置通过代数运算合并成一个，推理时只执行一次卷积计算。这样既保留了训练时的优势，又享受了单路结构的高效。
