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。Neck 的 Concat 有个老毛病：两路特征"硬拼"，谁重要谁次要全靠后面的卷积慢慢悟。BiFPN（Tan et al., CVPR 2020, EfficientDet）的快速归一化加权融合给每条分支一个可学习权重，消融实验里最经典的 Neck 改进。本文替换 v13n Neck 的全部 4 处 Concat，实测仅+8 参数。前言Neck 篇开篇。与卷积层的"替换卷积"不同，Neck 改进的主战场是特征汇合点——v13 的 Neck 里有 4 处Concat（P3/P4/P5 的主干特征与引导特征在此拼接）。本文用 BiFPN 的快速归一化加权融合（思想出自 EfficientDet 论文的 fast normalized fusion）替换全部 4 处 Concat。替换不改变层数与通道结构，yaml 层号不用顺移。专栏目录：YOLOv13改进目录一览专栏地址： 
长河君 · 2026/10/8 8:13:15 · 阅读 1.2k YOLOv13改进策略【Neck篇】| BiFPN 加权特征融合，让 Neck 自己学分支权重
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。Neck 的 Concat 有个老毛病：两路特征"硬拼"，谁重要谁次要全靠后面的卷积慢慢悟。BiFPN（Tan et al., CVPR 2020, EfficientDet）的快速归一化加权融合给每条分支一个可学习权重，消融实验里最经典的 Neck 改进。本文替换 v13n Neck 的全部 4 处 Concat，实测仅+8 参数。前言Neck 篇开篇。与卷积层的"替换卷积"不同，Neck 改进的主战场是特征汇合点——v13 的 Neck 里有 4 处Concat（P3/P4/P5 的主干特征与引导特征在此拼接）。本文用 BiFPN 的快速归一化加权融合（思想出自 EfficientDet 论文的 fast normalized fusion）替换全部 4 处 Concat。替换不改变层数与通道结构，yaml 层号不用顺移。专栏目录：YOLOv13改进目录一览专栏地址：