YOLOv8改进：构建新的C2f_RepGhost模块，针对Ghost进行重参数化，速度，mAP双提高！

创作背景：自ultralytics公司优化了YOLO系列结构以来，使得模型算法改进变成了有手就行，各种自媒体、专栏涌泉般出现，一群歪瓜裂枣四处搬运，没点创新，无非就是今天看了个卷积赶紧搭积木放进YOLO中，各种P词：自称全网首发！实测涨点明显！全网独家！万字长文！（恶心🤢）拿一篇文献，用AI翻译一下写个专栏赶紧圈钱。为了打击这群歪瓜裂枣们，本号专门把改进对外公开！永久免费学习！无需任何费用！抵制搬运！欢迎转发让更多人看见，避免被专栏坑钱。

抵制歪瓜裂枣搬运，从此做起！

请大家记住本号“YOLO歪瓜裂枣”，想要某个专栏某篇P文，评论区留言即可！

目录

RepGhost模块

网络模块结构图 

对比实验部分

C2f_RepGhost结构

YOLOv8网络配置文件

这是作者在文中的实验结果图，对比实验结果图，证明提出的RepGhost模块的有效性。

RepGhost模块

网络模块结构图 

其实就跟RepVGG差不多，都是借鉴了RepVGG的设计，RepVGG是清华大学提出的，没记错的话应该是CVPR2021，设计思想据说来源于TensorRT的加速设计……

对比实验部分

这是在ImageNet上的对比实验图，集速度和准确率于一体！

消融实验部分
二、改进YOLOv8 + RepGhost核心代码

C2f_RepGhost结构

 首先，在ultralytics/nn/modules文件夹中，创建一个名为C2f_RepGhost.py的文件，并将以下代码添加到其中。

import copy
import numpy as np
import torch
import torch.nn as nn
import torch.nn.functional as F


def _make_divisible(v, divisor, min_value=None):
    """
    This function is taken from the original tf repo.
    It ensures that all layers have a channel number that is divisible by 8 mg
    It can be seen here:
    https://github.com/tensorflow/models/blob/master/research/slim/nets/mobilenet/mobilenet.py
    """
    if min_value is None:
        min_value = divisor
    new_v = max(min_value, int(v + divisor / 2) // divisor * divisor)
    # Make sure that round down does not go down by more than 10%.
    if new_v < 0.9 * v:
        new_v += divisor
    return new_v


def hard_sigmoid(x, inplace: bool = False):
    if inplace:
        return x.add_(3.0).clamp_(0.0, 6.0).div_(6.0)
    else:
        return F.relu6(x + 3.0) / 6.0


class SqueezeExcite(nn.Module):
    def __init__(
        self,
        in_chs,
        se_ratio=0.25,
        reduced_base_chs=None,
        act_layer=nn.ReLU,
        gate_fn=hard_sigmoid,
        divisor=4,
        **_,
    ):
        super(SqueezeExcite, self).__init__()
        self.gate_fn = gate_fn
        reduced_chs = _make_divisible(
            (reduced_base_chs or in_chs) * se_ratio, divisor,
        )
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.conv_reduce = nn.Conv2d(in_chs, reduced_