YOLOv5/v7 中引入 RepVGG 重参数化模块
1. 介绍
RepVGG 是由 Megvii Research 团队于 2021 年提出的深度卷积神经网络架构，它通过重参数化 VGGNet 架构，显著提高了模型的性能和效率。RepVGG 架构在 YOLOv5 和 YOLOv7 等目标检测模型中得到了广泛应用，进一步提升了模型的精度和速度。
2. 原理详解
RepVGG 的核心思想是通过重参数化 VGGNet 架构，将原本的逐层卷积操作转换为深度可分离卷积操作和全局平均池化操作的组合。这种重参数化策略带来了以下优势：

降低计算量： 深度可分离卷积操作比逐层卷积操作更具计算效率，而全局平均池化操作可以进一步降低计算量。

提升模型表达能力： 深度可分离卷积操作可以提取更多的特征信息，而全局平均池化操作可以增强模型的泛化能力。

RepVGG 架构主要包含以下几个关键模块：

深度可分离卷积（Depthwise Separable Convolution）： 将逐层卷积操作拆分为深度卷积操作和逐点卷积操作，分别用于提取空间特征和通道特征，可以显著降低计算量。

全局......