YOLOv13改进策略【卷积层篇】| RepGhost 重参数化幽灵模块，GhostConv 的进化完全体

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。第 57 篇用内置 GhostConv 替换了主干最贵的下采样层；RepGhost（Chen et al., CVPRW 2022《RepGhost: A Hardware-Efficient Ghost Module via Re-parameterization》，官方源码 github.com/ChengpengChen/RepGhost）把 Ghost 思想再推一步：廉价分支不再是"并联生成幽灵特征"，而是"恒等 + BN 融合支"——训练时多分支提表征，switch_to_deploy()把廉价 DW 卷积与融合支折叠成单个 DW 卷积，隐式特征复用零开销。本文把官方 RepGhostModule 替换进 v13n 的层 7（与第 57 篇同点对照），实测+2,176 参数、GFLOPs 6.5→6.54，与官方逐位一致、部署折叠前后逐位一致，3 轮冒烟训练正常收敛。前言卷积层篇的"替换式"玩法：原版 GhostModule 用"primary 卷积 + cheap 深度卷积并联"生成幽灵特征——幽灵通道需要独立的 DW 卷积来算；RepGhost 的观察是：特征复用本身（拼接主路特征）可以等价地转化为重参数化——把"1×1 主卷积 + Identity + BN"的融合支与 DW 廉价