YOLOv7改进主干系列：QARepNeXt结构的原创改进和美团提出的量化感知方法

近年来，计算机视觉领域取得了长足的进步。特别是目标检测算法YOLO（You Only Look Once）在实时物体检测方面表现出色，其简洁而高效的设计备受瞩目。为了进一步提升YOLO的性能，研究人员不断致力于改进其主干网络结构。

最新研究中，结合最新的QARepVGG和Rep结构，我们提出了一种全新的主干网络结构QARepNeXt，旨在再一次让RepVGG变得更好，并采用了美团提出的一种量化感知方法。

QARepNeXt结构的原创改进
QARepNeXt是基于QARepVGG和Rep结构的改进版。RepVGG作为一个轻量级的卷积神经网络，通过将卷积层分为两个子层，一个执行卷积操作，另一个执行恒等映射（identity mapping），并将二者相加，以实现网络的非常规宽度。而QARepVGG则进一步改进了RepVGG，引入了注意力机制，使得网络更加注重关键信息的提取。

我们在QARepVGG的基础上进行了一系列改进，进而形成了QARepNeXt结构。首先，我们引入了NeXt（NeXt Evolution）模块，该模块采用了残差连接和分组卷积的方式，增强了网络的非线性表达能力。其次，我们在NeXt模块中加入了深度可分离卷积，以减少参数数量和计算量，提高模型的轻量级特性。

在实际应用中，我们发现QARepNeX