[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-d-li14--involution":3,"tool-d-li14--involution":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":89,"env_os":90,"env_gpu":91,"env_ram":92,"env_deps":93,"category_tags":99,"github_topics":100,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":109,"updated_at":110,"faqs":111,"releases":142},4040,"d-li14\u002Finvolution","involution","[CVPR 2021] Involution: Inverting the Inherence of Convolution for Visual Recognition, a brand new neural operator","involution 是一款发表于 CVPR 2021 的新型神经网络算子，旨在为视觉识别任务提供更高效的底层构建模块。它巧妙地“反转”了传统卷积的操作逻辑，在架构设计上成功 bridging（连接）了卷积与自注意力机制。\n\n长期以来，深度学习领域面临着两难选择：传统卷积虽然计算高效且形式简单，但在捕捉长距离依赖关系上略显不足；而自注意力机制虽能全局建模，却往往伴随巨大的计算开销和复杂的实现形式。involution 正是为了解决这一痛点而生，它在保持比卷积更高性能的同时，拥有比自注意力更简洁的数学形式和更低的计算复杂度，实现了效率与效果的双重提升。\n\n这款工具特别适合从事计算机视觉研究的科研人员以及需要优化模型性能的算法开发者。无论是图像分类、目标检测还是语义分割，involution 都能作为通用的神经原语替换现有模块。其技术亮点在于基于 CuPy 实现了显存优化版本，并完全兼容 OpenMMLab 系列工具箱（如 mmcls、mmdet 等），用户可以轻松通过复制配置文件和模型代码，快速在现有项目中复现论文效果或进行二次开发，是探索下一代视觉骨干网络的有力助手。","# involution\n\nOfficial implementation of a neural operator as described in [Involution: Inverting the Inherence of Convolution for Visual Recognition](https:\u002F\u002Farxiv.org\u002Fabs\u002F2103.06255) (CVPR'21)\n\nBy [Duo Li](https:\u002F\u002Fduoli.org\u002F), [Jie Hu](https:\u002F\u002Fgithub.com\u002Fhujie-frank), [Changhu Wang](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=DsVZkjAAAAAJ), [Xiangtai Li](https:\u002F\u002Fgithub.com\u002FlxtGH), [Qi She](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=iHoGTt4AAAAJ), [Lei Zhu](https:\u002F\u002Fgithub.com\u002Fzh460045050), [Tong Zhang](http:\u002F\u002Ftongzhang-ml.org\u002F), and [Qifeng Chen](https:\u002F\u002Fcqf.io\u002F)\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fd-li14_involution_readme_b2246535fa20.png\" width=\"500\" \u002F>\u003C\u002Fp>\n\n**TL; DR.** `involution` is a general-purpose neural primitive that is versatile for a spectrum of deep learning models on different vision tasks. `involution` bridges `convolution` and `self-attention` in design, while being more efficient and effective than `convolution`, simpler than `self-attention` in form. \n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fd-li14_involution_readme_80edfbad328a.png\" width=\"400\" \u002F>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fd-li14_involution_readme_fb971df9d246.png\" width=\"400\" \u002F>\u003C\u002Fp>\n\nIf you find our work useful in your research, please cite:\n```\n@InProceedings{Li_2021_CVPR,\n    author = {Li, Duo and Hu, Jie and Wang, Changhu and Li, Xiangtai and She, Qi and Zhu, Lei and Zhang, Tong and Chen, Qifeng},\n    title = {Involution: Inverting the Inherence of Convolution for Visual Recognition},\n    booktitle = {IEEE\u002FCVF Conference on Computer Vision and Pattern Recognition (CVPR)},\n    month = {June},\n    year = {2021}\n}\n```\n\n## Getting Started\n\nThis repository is fully built upon the [OpenMMLab](https:\u002F\u002Fopenmmlab.com\u002F) toolkits. For each individual task, the config and model files follow the same directory organization as [mmcls](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmclassification), [mmdet](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection), and [mmseg](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmsegmentation) respectively, so just copy-and-paste them to the corresponding locations to get started.\n\nFor example, in terms of evaluating detectors\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection # and install\n\n# copy model files\ncp det\u002Fmmdet\u002Fmodels\u002Fbackbones\u002F* mmdetection\u002Fmmdet\u002Fmodels\u002Fbackbones\ncp det\u002Fmmdet\u002Fmodels\u002Fnecks\u002F* mmdetection\u002Fmmdet\u002Fmodels\u002Fnecks\ncp det\u002Fmmdet\u002Fmodels\u002Fdense_heads\u002F* mmdetection\u002Fmmdet\u002Fmodels\u002Fdense_heads\ncp det\u002Fmmdet\u002Fmodels\u002Froi_heads\u002F* mmdetection\u002Fmmdet\u002Fmodels\u002Froi_heads\ncp det\u002Fmmdet\u002Fmodels\u002Froi_heads\u002Fmask_heads\u002F* mmdetection\u002Fmmdet\u002Fmodels\u002Froi_heads\u002Fmask_heads\ncp det\u002Fmmdet\u002Fmodels\u002Futils\u002F* mmdetection\u002Fmmdet\u002Fmodels\u002Futils\ncp det\u002Fmmdet\u002Fdatasets\u002F* mmdetection\u002Fmmdet\u002Fdatasets\n\n# copy config files\ncp det\u002Fconfigs\u002F_base_\u002Fmodels\u002F* mmdetection\u002Fconfigs\u002F_base_\u002Fmodels\ncp det\u002Fconfigs\u002F_base_\u002Fschedules\u002F* mmdetection\u002Fconfigs\u002F_base_\u002Fschedules\ncp det\u002Fconfigs\u002Finvolution mmdetection\u002Fconfigs -r\n\n# evaluate checkpoints\ncd mmdetection\nbash tools\u002Fdist_test.sh ${CONFIG_FILE} ${CHECKPOINT_FILE} ${GPU_NUM} [--out ${RESULT_FILE}] [--eval ${EVAL_METRICS}]\n```\n\nFor more detailed guidance, please refer to the original [mmcls](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmclassification), [mmdet](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection), and [mmseg](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmsegmentation) tutorials.\n\nCurrently, we provide an memory-efficient implementation of the involuton operator based on [CuPy](https:\u002F\u002Fcupy.dev\u002F). Please install this library in advance. A customized CUDA kernel would bring about further acceleration on the hardware. Any contribution from the community regarding this is welcomed!\n\n## Model Zoo\n\nThe parameters\u002FFLOPs↓ and performance↑ compared to the convolution baselines are marked in the parentheses. Part of these checkpoints are obtained in our reimplementation runs, whose performance may show slight differences with those reported in our paper. Models are trained with 64 GPUs on ImageNet, 8 GPUs on COCO, and 4 GPUs on Cityscapes.\n\n### Image Classification on ImageNet\n\n|         Model         | Params(M) | FLOPs(G) | Top-1 (%) | Top-5 (%) | Config | Download |\n|:---------------------:|:---------:|:--------:|:---------:|:---------:|:---------:|:--------:|\n| RedNet-26             |  9.23\u003Csub>(32.8%↓)\u003C\u002Fsub>     | 1.73\u003Csub>(29.2%↓)\u003C\u002Fsub>     | 75.96 | 93.19 | [config](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fcls\u002Fconfigs\u002Frednet\u002Frednet26_b32x64_warmup_coslr_imagenet.py) | [model](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEWmTnvB1cqtIi-OI4HfxGBgBKzO0w_qc3CnErHhNfBitlg?e=XPws5X) | [log](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEVJ_eDMSsr1JqhInx67OCxcB-P54pj3o5mGO_rYVsRSk3A?e=70tJAc) |\n| RedNet-38             | 12.39\u003Csub>(36.7%↓)\u003C\u002Fsub>     | 2.22\u003Csub>(31.3%↓)\u003C\u002Fsub>     | 77.48 | 93.57 | [config](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fcls\u002Fconfigs\u002Frednet\u002Frednet38_b32x64_warmup_coslr_imagenet.py) | [model](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FETZIquU7P3lDvru0OAPiTYIBAt-B__2LpP_NeB4sR0hJsg?e=b9Rbl0) | [log](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEd62YcJgC-NCp72NpEsMLGABkb7f-EkCQ1X-RyLmAMYoUQ?e=Hqetbj) |\n| RedNet-50             | 15.54\u003Csub>(39.5%↓)\u003C\u002Fsub>     | 2.71\u003Csub>(34.1%↓)\u003C\u002Fsub>     | 78.35 | 94.13 | [config](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fcls\u002Fconfigs\u002Frednet\u002Frednet50_b32x64_warmup_coslr_imagenet.py) | [model](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEZjRG3qUMu5IuR7YH4Giyc8B6koPvu6s8rOlIG8-BuFevg?e=f4ce5G) | [log](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FETL5NxDwnQpCldbJb906aOABjjuhZSquxKzK5xYQm-6Bhw?e=lOzEEf) |\n| RedNet-101            | 25.65\u003Csub>(42.6%↓)\u003C\u002Fsub>     | 4.74\u003Csub>(40.5%↓)\u003C\u002Fsub>     | 78.92 | 94.35 | [config](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fcls\u002Fconfigs\u002Frednet\u002Frednet101_b32x64_warmup_coslr_imagenet.py) | [model](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEXAuVXdXz1xAg5eG-dkvwTUBkds2IOK1kglHtkMeGz5z_A?e=vHvh5y) | [log](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEbbiBxdZoZJFmTPSg9hW3BIBLRmRpfPa70nu8pi_8ddOSw?e=CdAV86) |\n| RedNet-152            | 33.99\u003Csub>(43.5%↓)\u003C\u002Fsub>     | 6.79\u003Csub>(41.4%↓)\u003C\u002Fsub>     | 79.12 | 94.38 | [config](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fcls\u002Fconfigs\u002Frednet\u002Frednet152_b32x64_warmup_coslr_imagenet.py) | [model](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FERxcS4wXUCtPl4uUnPoT9vcByzhLA0eHgDE-fw_EESfP0w?e=x0dZWB) | [log](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEYr2Yx-p4w1AuT-Q3E7M2m0BFhAGDoYvxps09vYy4Cnj3A?e=XGxzPF) |\n\nBefore finetuning on the following downstream tasks, download the ImageNet pre-trained [RedNet-50 weights](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEaVInpb6TGJApN6QCAWwKJAB3cK9Iz55QfJgmhhaV7yuHw?e=yuWxyI) and set the `pretrained` argument in `det\u002Fconfigs\u002F_base_\u002Fmodels\u002F*.py` or `seg\u002Fconfigs\u002F_base_\u002Fmodels\u002F*.py` to your local path.\n\n### Object Detection and Instance Segmentation on COCO\n\n#### Faster R-CNN\n|    Backbone     |     Neck    |     Head    |  Style  | Lr schd | Params(M) | FLOPs(G) | box AP | Config | Download |\n| :-------------: | :---------: | :---------: | :-----: | :-----: |:---------:|:--------:| :----: | :------: | :--------: |\n|    RedNet-50-FPN     | convolution | convolution | pytorch |   1x    | 31.6\u003Csub>(23.9%↓)\u003C\u002Fsub> | 177.9\u003Csub>(14.1%↓)\u003C\u002Fsub> | 39.5\u003Csub>(1.8↑)\u003C\u002Fsub>   | [config](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fdet\u002Fconfigs\u002Finvolution\u002Ffaster_rcnn_red50_fpn_1x_coco.py) | [model](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FESOJAF74jK5HrevtBdMDku0Bgf71nC7F4UcMmGWER5z1_w?e=qGPdA5) | [log](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FESYSpzei_INMn1wu5qa0Su8B9YxXf_rOtib5xHjb1y2alA?e=Qn3lyd) |\n|    RedNet-50-FPN     |  involution | convolution | pytorch |   1x    | 29.5\u003Csub>(28.9%↓)\u003C\u002Fsub> | 135.0\u003Csub>(34.8%↓)\u003C\u002Fsub> | 40.2\u003Csub>(2.5↑)\u003C\u002Fsub>   | [config](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fdet\u002Fconfigs\u002Finvolution\u002Ffaster_rcnn_red50_neck_fpn_1x_coco.py) | [model](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEV90stAJIXxEnDRe0QM0lvwB_jm9jwqwHoBOVVOqosPHJw?e=0QoikN) | [log](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEc8z-SZbJTxJrAJ3FLq0PSsB1Q7T1dXLvhfHmegQqH7rqA?e=5O9jDY) |\n|    RedNet-50-FPN     |  involution |  involution | pytorch |   1x    | 29.0\u003Csub>(30.1%↓)\u003C\u002Fsub> | 91.5\u003Csub>(55.8%↓)\u003C\u002Fsub> | 39.2\u003Csub>(1.5↑)\u003C\u002Fsub>   | [config](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fdet\u002Fconfigs\u002Finvolution\u002Ffaster_rcnn_red50_neck_fpn_head_1x_coco.py) | [model](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEeTwxsehR5VLhvf5TbTr8WwBmiNUwUeuXtbdOJlg0mFkmw?e=DL3gWX) | [log](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEUBsDdHQ10BKp8wW2aj2GHYBzhHtmW2BP65PIhn3KcSYqA?e=6dmNn7) |\n\n#### Mask R-CNN\n|    Backbone     |     Neck    |     Head    |  Style  | Lr schd | Params(M) | FLOPs(G) | box AP | mask AP | Config | Download |\n| :-------------: | :---------: | :---------: | :-----: | :-----: |:---------:|:--------:| :----: | :-----: | :------: | :--------: |\n|    RedNet-50-FPN     | convolution | convolution | pytorch |   1x    | 34.2\u003Csub>(22.6%↓)\u003C\u002Fsub> | 224.2\u003Csub>(11.5%↓)\u003C\u002Fsub> | 39.9\u003Csub>(1.5↑)\u003C\u002Fsub>   | 35.7\u003Csub>(0.6↑)\u003C\u002Fsub>    |  [config](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fdet\u002Fconfigs\u002Finvolution\u002Fmask_rcnn_red50_fpn_1x_coco.py) | [model](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEdheYm71X2pFu427_557zqcBmuKaLKEoU5R0Z2Kwo2alvg?e=qXShyW) | [log](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEQK-5qH_XxhHn4QnxmQbJ4cBL3sz9HqjS0EoybT2s1751g?e=4gpwK2) |\n|    RedNet-50-FPN     |  involution | convolution | pytorch |   1x    | 32.2\u003Csub>(27.1%↓)\u003C\u002Fsub> | 181.3\u003Csub>(28.5%↓)\u003C\u002Fsub> | 40.8\u003Csub>(2.4↑)\u003C\u002Fsub>   | 36.4\u003Csub>(1.3↑)\u003C\u002Fsub>    |  [config](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fdet\u002Fconfigs\u002Finvolution\u002Fmask_rcnn_red50_neck_fpn_1x_coco.py) | [model](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEYYgUzXjJ3VBrscng-5QW_oB9wFK-dcqSDYB-LUXldFweg?e=idFEgd) | [log](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FETWdfYuhjY5AlGkUH11rLl4BLk9zsyKgwAbay47TYzIU-w?e=6ey6cD) |\n|    RedNet-50-FPN     |  involution |  involution | pytorch |   1x    | 29.5\u003Csub>(33.3%↓)\u003C\u002Fsub> | 104.6\u003Csub>(58.7%↓)\u003C\u002Fsub> | 39.6\u003Csub>(1.2↑)\u003C\u002Fsub>   | 35.1\u003Csub>(0.0↑)\u003C\u002Fsub>    |  [config](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fdet\u002Fconfigs\u002Finvolution\u002Fmask_rcnn_red50_neck_fpn_head_1x_coco.py) | [model](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEZwtdWXX8sBLp7L__TrmkykBPEe7kJInbkbUblP3PxuURQ?e=09l25P) | [log](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEbevxbj_0OtNkb3uCdpM0aoBeMQUABiQ0bDfZ9P9Jw1AZA?e=ZUcbUo) |\n\n#### RetinaNet\n|    Backbone     |     Neck    |  Style  | Lr schd | Params(M) | FLOPs(G) | box AP | Config | Download |\n| :-------------: | :---------: | :-----: | :-----: |:---------:|:--------:| :----: | :------: | :--------: |\n|    RedNet-50-FPN     | convolution | pytorch |   1x    | 27.8\u003Csub>(26.3%↓)\u003C\u002Fsub> | 210.1\u003Csub>(12.2%↓)\u003C\u002Fsub> | 38.2\u003Csub>(1.6↑)\u003C\u002Fsub>   | [config](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fdet\u002Fconfigs\u002Finvolution\u002Fretinanet_red50_fpn_1x_coco.py) | [model](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEfUY9orEyCVCsYMlcDhIZ2wBBDw7k1HqfTm9u11KfTopmA?e=4Jhu79) | [log](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEQQ_EVDmVg1FlfgpAu9NF5wB6xe6qnqaYWKJw9lL7kRxdw?e=fXxjPg) |\n|    RedNet-50-FPN     |  involution | pytorch |   1x    | 26.3\u003Csub>(30.2%↓)\u003C\u002Fsub> | 199.9\u003Csub>(16.5%↓)\u003C\u002Fsub> | 38.2\u003Csub>(1.6↑)\u003C\u002Fsub>   | [config](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fdet\u002Fconfigs\u002Finvolution\u002Fretinanet_red50_neck_fpn_1x_coco.py) | [model](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEedZ3bMWZkJIvKjyLkTZHksBc_8wdOMHhFZA7RDewjPO8g?e=jsSjYI) | [log](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FES7chxQh5-lGr5--GqroMScBKNTNACyvosdVuThPvkZGkg?e=CrlN9F) |\n\n\n### Semantic Segmentation on Cityscapes\n\n| Method | Backbone | Neck | Crop Size | Lr schd | Params(M) | FLOPs(G) | mIoU  | Config |                                                                                                                                                                               download                                                                                                                                                                               |\n|--------|----------|------|-----------|--------:|:---------:|:--------:|------:|:------:|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|\n| FPN    | RedNet-50     | convolution | 512x1024  |   80000 | 18.5\u003Csub>(35.1%↓)\u003C\u002Fsub> | 293.9\u003Csub>(19.0%↓)\u003C\u002Fsub> | 78.0\u003Csub>(3.6↑)\u003C\u002Fsub> | [config](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fseg\u002Fconfigs\u002Finvolution\u002Ffpn_red50_512x1024_80k_cityscapes.py) | [model](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEYstjiI28SJPohJE54wapFUBW5Wc95Di2Rsh0vf6K79vPw?e=lOvbkZ) | [log](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEXdupIgFuAlFuH854wThyXcBQTyL7YhK3wPYcR98rw7PJg?e=MyXx2w) |\n| FPN    | RedNet-50     |  involution | 512x1024  |   80000 | 16.4\u003Csub>(42.5%↓)\u003C\u002Fsub> | 205.2\u003Csub>(43.4%↓)\u003C\u002Fsub> | 79.1\u003Csub>(4.7↑)\u003C\u002Fsub> | [config](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fseg\u002Fconfigs\u002Finvolution\u002Ffpn_red50_neck_512x1024_80k_cityscapes.py) | [model](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEZzDyESh0ElFp2pIFL1xN70BAj1EyvhFyqi0g7Mp1OZxog?e=F7kZYH) | [log](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEXcP_3ujO_1Juj8ap7rqDJ8BWZDCyJL86BWjeZiJ_FfLOw?e=47lvtq) |\n| UPerNet| RedNet-50     | convolution | 512x1024  |   80000 | 56.4\u003Csub>(15.1%↓)\u003C\u002Fsub> | 1825.6\u003Csub>(3.6%↓)\u003C\u002Fsub> | 80.6\u003Csub>(2.4↑)\u003C\u002Fsub> | [config](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fseg\u002Fconfigs\u002Finvolution\u002Fupernet_red50_512x1024_80k_cityscapes.py) | [model](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEb8-frsvSuNAm7qQ6-H2DtEBdACuf-mUOBhvE3YIOiobmA?e=Ibb2cN) | [log](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEWhyFAZpxfRBoFi1myoT-RMB6-HeaP7NjSv88YQve4bZkg?e=wC8ccl) |\n","# 内卷化\n\n正式实现了一种神经算子，如[《内卷化：颠覆卷积在视觉识别中的固有特性》](https:\u002F\u002Farxiv.org\u002Fabs\u002F2103.06255)（CVPR'21）中所述。\n\n作者：[Duo Li](https:\u002F\u002Fduoli.org\u002F)、[Jie Hu](https:\u002F\u002Fgithub.com\u002Fhujie-frank)、[Changhu Wang](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=DsVZkjAAAAAJ)、[Xiangtai Li](https:\u002F\u002Fgithub.com\u002FlxtGH)、[Qi She](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=iHoGTt4AAAAJ)、[Lei Zhu](https:\u002F\u002Fgithub.com\u002Fzh460045050)、[Tong Zhang](http:\u002F\u002Ftongzhang-ml.org\u002F) 和 [Qifeng Chen](https:\u002F\u002Fcqf.io\u002F)\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fd-li14_involution_readme_b2246535fa20.png\" width=\"500\" \u002F>\u003C\u002Fp>\n\n**简而言之。** `involution` 是一种通用的神经基础模块，适用于不同视觉任务的各种深度学习模型。`involution` 在设计上融合了 `卷积` 和 `自注意力` 的优点，同时比 `卷积` 更高效、更有效，形式上又比 `自注意力` 更简单。\n\n\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fd-li14_involution_readme_80edfbad328a.png\" width=\"400\" \u002F>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fd-li14_involution_readme_fb971df9d246.png\" width=\"400\" \u002F>\u003C\u002Fp>\n\n如果您认为我们的工作对您的研究有所帮助，请引用以下文献：\n```\n@InProceedings{Li_2021_CVPR,\n    author = {Li, Duo and Hu, Jie and Wang, Changhu and Li, Xiangtai and She, Qi and Zhu, Lei and Zhang, Tong and Chen, Qifeng},\n    title = {Involution: Inverting the Inherence of Convolution for Visual Recognition},\n    booktitle = {IEEE\u002FCVF Conference on Computer Vision and Pattern Recognition (CVPR)},\n    month = {June},\n    year = {2021}\n}\n```\n\n## 快速入门\n\n本仓库完全基于 [OpenMMLab](https:\u002F\u002Fopenmmlab.com\u002F) 工具链构建。对于每个具体任务，配置文件和模型文件都遵循与 [mmcls](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmclassification)、[mmdet](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection) 和 [mmseg](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmsegmentation) 相同的目录结构，因此只需将其复制粘贴到相应位置即可开始使用。\n\n例如，在评估检测器时：\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection # 并完成安装\n\n# 复制模型文件\ncp det\u002Fmmdet\u002Fmodels\u002Fbackbones\u002F* mmdetection\u002Fmmdet\u002Fmodels\u002Fbackbones\ncp det\u002Fmmdet\u002Fmodels\u002Fnecks\u002F* mmdetection\u002Fmmdet\u002Fmodels\u002Fnecks\ncp det\u002Fmmdet\u002Fmodels\u002Fdense_heads\u002F* mmdetection\u002Fmmdet\u002Fmodels\u002Fdense_heads\ncp det\u002Fmmdet\u002Fmodels\u002Froi_heads\u002F* mmdetection\u002Fmmdet\u002Fmodels\u002Froi_heads\ncp det\u002Fmmdet\u002Fmodels\u002Froi_heads\u002Fmask_heads\u002F* mmdetection\u002Fmmdet\u002Fmodels\u002Froi_heads\u002Fmask_heads\ncp det\u002Fmmdet\u002Fmodels\u002Futils\u002F* mmdetection\u002Fmmdet\u002Fmodels\u002Futils\ncp det\u002Fmmdet\u002Fdatasets\u002F* mmdetection\u002Fmmdet\u002Fdatasets\n\n# 复制配置文件\ncp det\u002Fconfigs\u002F_base_\u002Fmodels\u002F* mmdetection\u002Fconfigs\u002F_base_\u002Fmodels\ncp det\u002Fconfigs\u002F_base_\u002Fschedules\u002F* mmdetection\u002Fconfigs\u002F_base_\u002Fschedules\ncp det\u002Fconfigs\u002Finvolution mmdetection\u002Fconfigs -r\n\n# 评估检查点\ncd mmdetection\nbash tools\u002Fdist_test.sh ${CONFIG_FILE} ${CHECKPOINT_FILE} ${GPU_NUM} [--out ${RESULT_FILE}] [--eval ${EVAL_METRICS}]\n```\n\n更多详细指导，请参阅原始的 [mmcls](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmclassification)、[mmdet](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection) 和 [mmseg](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmsegmentation) 教程。\n\n目前，我们提供了一个基于 [CuPy](https:\u002F\u002Fcupy.dev\u002F) 的内存高效的内卷算子实现。请提前安装该库。此外，定制化的 CUDA 内核可以在硬件层面带来进一步的加速效果。欢迎社区对此提出任何贡献！\n\n## 模型库\n\n括号中标注了与卷积基线相比的参数量\u002FFLOPs↓ 和性能↑。其中部分检查点是我们重新实现时得到的，其性能可能与论文中报告的结果略有差异。这些模型分别在 ImageNet 上使用 64 张 GPU、COCO 上使用 8 张 GPU 以及 Cityscapes 上使用 4 张 GPU 进行训练。\n\n### ImageNet上的图像分类\n\n|         模型         | 参数量(M) | 浮点运算次数(G) | Top-1 (%) | Top-5 (%) | 配置 | 下载 |\n|:---------------------:|:---------:|:--------:|:---------:|:---------:|:---------:|:--------:|\n| RedNet-26             |  9.23\u003Csub>(32.8%↓)\u003C\u002Fsub>     | 1.73\u003Csub>(29.2%↓)\u003C\u002Fsub>     | 75.96 | 93.19 | [配置](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fcls\u002Fconfigs\u002Frednet\u002Frednet26_b32x64_warmup_coslr_imagenet.py) | [模型](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEWmTnvB1cqtIi-OI4HfxGBgBKzO0w_qc3CnErHhNfBitlg?e=XPws5X) | [日志](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEVJ_eDMSsr1JqhInx67OCxcB-P54pj3o5mGO_rYVsRSk3A?e=70tJAc) |\n| RedNet-38             | 12.39\u003Csub>(36.7%↓)\u003C\u002Fsub>     | 2.22\u003Csub>(31.3%↓)\u003C\u002Fsub>     | 77.48 | 93.57 | [配置](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fcls\u002Fconfigs\u002Frednet\u002Frednet38_b32x64_warmup_coslr_imagenet.py) | [模型](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FETZIquU7P3lDvru0OAPiTYIBAt-B__2LpP_NeB4sR0hJsg?e=b9Rbl0) | [日志](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEd62YcJgC-NCp72NpEsMLGABkb7f-EkCQ1X-RyLmAMYoUQ?e=Hqetbj) |\n| RedNet-50             | 15.54\u003Csub>(39.5%↓)\u003C\u002Fsub>     | 2.71\u003Csub>(34.1%↓)\u003C\u002Fsub>     | 78.35 | 94.13 | [配置](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fcls\u002Fconfigs\u002Frednet\u002Frednet50_b32x64_warmup_coslr_imagenet.py) | [模型](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEZjRG3qUMu5IuR7YH4Giyc8B6koPvu6s8rOlIG8-BuFevg?e=f4ce5G) | [日志](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FETL5NxDwnQpCldbJb906aOABjjuhZSquxKzK5xYQm-6Bhw?e=lOzEEf) |\n| RedNet-101            | 25.65\u003Csub>(42.6%↓)\u003C\u002Fsub>     | 4.74\u003Csub>(40.5%↓)\u003C\u002Fsub>     | 78.92 | 94.35 | [配置](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fcls\u002Fconfigs\u002Frednet\u002Frednet101_b32x64_warmup_coslr_imagenet.py) | [模型](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEXAuVXdXz1xAg5eG-dkvwTUBkds2IOK1kglHtkMeGz5z_A?e=vHvh5y) | [日志](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEbbiBxdZoZJFmTPSg9hW3BIBLRmRpfPa70nu8pi_8ddOSw?e=CdAV86) |\n| RedNet-152            | 33.99\u003Csub>(43.5%↓)\u003C\u002Fsub>     | 6.79\u003Csub>(41.4%↓)\u003C\u002Fsub>     | 79.12 | 94.38 | [配置](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fcls\u002Fconfigs\u002Frednet\u002Frednet152_b32x64_warmup_coslr_imagenet.py) | [模型](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FERxcS4wXUCtPl4uUnPoT9vcByzhLA0eHgDE-fw_EESfP0w?e=x0dZWB) | [日志](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEYr2Yx-p4w1AuT-Q3E7M2m0BFhAGDoYvxps09vYy4Cnj3A?e=XGxzPF) |\n\n在对以下下游任务进行微调之前，请下载ImageNet预训练的[RedNet-50权重](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEaVInpb6TGJApN6QCAWwKJAB3cK9Iz55QfJgmhhaV7yuHw?e=yuWxyI)，并将`det\u002Fconfigs\u002F_base_\u002Fmodels\u002F*.py`或`seg\u002Fconfigs\u002F_base_\u002Fmodels\u002F*.py`中的`pretrained`参数设置为你本地的路径。\n\n### COCO 数据集上的目标检测与实例分割\n\n#### Faster R-CNN\n|    主干网络     |     颈部    |     头部    |  样式  | 学习率调度 | 参数量(M) | 浮点运算量(G) | box AP | 配置文件 | 下载 |\n| :-------------: | :---------: | :---------: | :-----: | :-----: |:---------:|:--------:| :----: | :------: | :--------: |\n|    RedNet-50-FPN     | 卷积 | 卷积 | PyTorch |   1x    | 31.6\u003Csub>(23.9%↓)\u003C\u002Fsub> | 177.9\u003Csub>(14.1%↓)\u003C\u002Fsub> | 39.5\u003Csub>(1.8↑)\u003C\u002Fsub>   | [配置文件](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fdet\u002Fconfigs\u002Finvolution\u002Ffaster_rcnn_red50_fpn_1x_coco.py) | [模型](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FESOJAF74jK5HrevtBdMDku0Bgf71nC7F4UcMmGWER5z1_w?e=qGPdA5) | [日志](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FESYSpzei_INMn1wu5qa0Su8B9YxXf_rOtib5xHjb1y2alA?e=Qn3lyd) |\n|    RedNet-50-FPN     |  involution | 卷积 | PyTorch |   1x    | 29.5\u003Csub>(28.9%↓)\u003C\u002Fsub> | 135.0\u003Csub>(34.8%↓)\u003C\u002Fsub> | 40.2\u003Csub>(2.5↑)\u003C\u002Fsub>   | [配置文件](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fdet\u002Fconfigs\u002Finvolution\u002Ffaster_rcnn_red50_neck_fpn_1x_coco.py) | [模型](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEV90stAJIXxEnDRe0QM0lvwB_jm9jwqwHoBOVVOqosPHJw?e=0QoikN) | [日志](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEc8z-SZbJTxJrAJ3FLq0PSsB1Q7T1dXLvhfHmegQqH7rqA?e=5O9jDY) |\n|    RedNet-50-FPN     |  involution |  involution | PyTorch |   1x    | 29.0\u003Csub>(30.1%↓)\u003C\u002Fsub> | 91.5\u003Csub>(55.8%↓)\u003C\u002Fsub> | 39.2\u003Csub>(1.5↑)\u003C\u002Fsub>   | [配置文件](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fdet\u002Fconfigs\u002Finvolution\u002Ffaster_rcnn_red50_neck_fpn_head_1x_coco.py) | [模型](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEeTwxsehR5VLhvf5TbTr8WwBmiNUwUeuXtbdOJlg0mFkmw?e=DL3gWX) | [日志](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEUBsDdHQ10BKp8wW2aj2GHYBzhHtmW2BP65PIhn3KcSYqA?e=6dmNn7) |\n\n#### Mask R-CNN\n|    主干网络     |     颈部    |     头部    |  样式  | 学习率调度 | 参数量(M) | 浮点运算量(G) | box AP | mask AP | 配置文件 | 下载 |\n| :-------------: | :---------: | :---------: | :-----: | :-----: |:---------:|:--------:| :----: | :-----: | :------: | :--------: |\n|    RedNet-50-FPN     | 卷积 | 卷积 | PyTorch |   1x    | 34.2\u003Csub>(22.6%↓)\u003C\u002Fsub> | 224.2\u003Csub>(11.5%↓)\u003C\u002Fsub> | 39.9\u003Csub>(1.5↑)\u003C\u002Fsub>   | 35.7\u003Csub>(0.6↑)\u003C\u002Fsub>    |  [配置文件](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fdet\u002Fconfigs\u002Finvolution\u002Fmask_rcnn_red50_fpn_1x_coco.py) | [模型](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEdheYm71X2pFu427_557zqcBmuKaLKEoU5R0Z2Kwo2alvg?e=qXShyW) | [日志](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEQK-5qH_XxhHn4QnxmQbJ4cBL3sz9HqjS0EoybT2s1751g?e=4gpwK2) |\n|    RedNet-50-FPN     |  involution | 卷积 | PyTorch |   1x    | 32.2\u003Csub>(27.1%↓)\u003C\u002Fsub> | 181.3\u003Csub>(28.5%↓)\u003C\u002Fsub> | 40.8\u003Csub>(2.4↑)\u003C\u002Fsub>   | 36.4\u003Csub>(1.3↑)\u003C\u002Fsub>    |  [配置文件](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fdet\u002Fconfigs\u002Finvolution\u002Fmask_rcnn_red50_neck_fpn_1x_coco.py) | [模型](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEYYgUzXjJ3VBrscng-5QW_oB9wFK-dcqSDYB-LUXldFweg?e=idFEgd) | [日志](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FETWdfYuhjY5AlGkUH11rLl4BLk9zsyKgwAbay47TYzIU-w?e=6ey6cD) |\n|    RedNet-50-FPN     |  involution |  involution | PyTorch |   1x    | 29.5\u003Csub>(33.3%↓)\u003C\u002Fsub> | 104.6\u003Csub>(58.7%↓)\u003C\u002Fsub> | 39.6\u003Csub>(1.2↑)\u003C\u002Fsub>   | 35.1\u003Csub>(0.0↑)\u003C\u002Fsub>    |  [配置文件](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fdet\u002Fconfigs\u002Finvolution\u002Fmask_rcnn_red50_neck_fpn_head_1x_coco.py) | [模型](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEZwtdWXX8sBLp7L__TrmkykBPEe7kJInbkbUblP3PxuURQ?e=09l25P) | [日志](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEbevxbj_0OtNkb3uCdpM0aoBeMQUABiQ0bDfZ9P9Jw1AZA?e=ZUcbUo) |\n\n#### RetinaNet\n|    主干网络     |     颈部    |  样式  | 学习率调度 | 参数量(M) | 浮点运算量(G) | box AP | 配置文件 | 下载 |\n| :-------------: | :---------: | :-----: | :-----: |:---------:|:--------:| :----: | :------: | :--------: |\n|    RedNet-50-FPN     | 卷积 | PyTorch |   1x    | 27.8\u003Csub>(26.3%↓)\u003C\u002Fsub> | 210.1\u003Csub>(12.2%↓)\u003C\u002Fsub> | 38.2\u003Csub>(1.6↑)\u003C\u002Fsub>   | [配置文件](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fdet\u002Fconfigs\u002Finvolution\u002Fretinanet_red50_fpn_1x_coco.py) | [模型](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEfUY9orEyCVCsYMlcDhIZ2wBBDw7k1HqfTm9u11KfTopmA?e=4Jhu79) | [日志](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEQQ_EVDmVg1FlfgpAu9NF5wB6xe6qnqaYWKJw9lL7kRxdw?e=fXxjPg) |\n|    RedNet-50-FPN     |  involution | PyTorch |   1x    | 26.3\u003Csub>(30.2%↓)\u003C\u002Fsub> | 199.9\u003Csub>(16.5%↓)\u003C\u002Fsub> | 38.2\u003Csub>(1.6↑)\u003C\u002Fsub>   | [配置文件](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fdet\u002Fconfigs\u002Finvolution\u002Fretinanet_red50_neck_fpn_1x_coco.py) | [模型](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEedZ3bMWZkJIvKjyLkTZHksBc_8wdOMHhFZA7RDewjPO8g?e=jsSjYI) | [日志](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FES7chxQh5-lGr5--GqroMScBKNTNACyvosdVuThPvkZGkg?e=CrlN9F) |\n\n### Cityscapes 数据集上的语义分割\n\n| 方法 | 主干网络 | 颈部网络 | 裁剪尺寸 | 学习率调度 | 参数量(M) | 浮点运算量(G) | mIoU  | 配置文件 |                                                                                                                                                                               下载                                                                                                                                                                               |\n|--------|----------|------|-----------|--------:|:---------:|:--------:|------:|:------:|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|\n| FPN    | RedNet-50     | 卷积 | 512x1024  |   80000 | 18.5\u003Csub>(35.1%↓)\u003C\u002Fsub> | 293.9\u003Csub>(19.0%↓)\u003C\u002Fsub> | 78.0\u003Csub>(3.6↑)\u003C\u002Fsub> | [config](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fseg\u002Fconfigs\u002Finvolution\u002Ffpn_red50_512x1024_80k_cityscapes.py) | [模型](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEYstjiI28SJPohJE54wapFUBW5Wc95Di2Rsh0vf6K79vPw?e=lOvbkZ) | [日志](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEXdupIgFuAlFuH854wThyXcBQTyL7YhK3wPYcR98rw7PJg?e=MyXx2w) |\n| FPN    | RedNet-50     | 张量卷积 | 512x1024  |   80000 | 16.4\u003Csub>(42.5%↓)\u003C\u002Fsub> | 205.2\u003Csub>(43.4%↓)\u003C\u002Fsub> | 79.1\u003Csub>(4.7↑)\u003C\u002Fsub> | [config](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fseg\u002Fconfigs\u002Finvolution\u002Ffpn_red50_neck_512x1024_80k_cityscapes.py) | [模型](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEZzDyESh0ElFp2pIFL1xN70BAj1EyvhFyqi0g7Mp1OZxog?e=F7kZYH) | [日志](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEXcP_3ujO_1Juj8ap7rqDJ8BWZDCyJL86BWjeZiJ_FfLOw?e=47lvtq) |\n| UPerNet| RedNet-50     | 卷积 | 512x1024  |   80000 | 56.4\u003Csub>(15.1%↓)\u003C\u002Fsub> | 1825.6\u003Csub>(3.6%↓)\u003C\u002Fsub> | 80.6\u003Csub>(2.4↑)\u003C\u002Fsub> | [config](https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fblob\u002Fmain\u002Fseg\u002Fconfigs\u002Finvolution\u002Fupernet_red50_512x1024_80k_cityscapes.py) | [模型](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEb8-frsvSuNAm7qQ6-H2DtEBdACuf-mUOBhvE3YIOiobmA?e=Ibb2cN) | [日志](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEWhyFAZpxfRBoFi1myoT-RMB6-HeaP7NjSv88YQve4bZkg?e=wC8ccl) |","# Involution 快速上手指南\n\nInvolution 是一种通用的神经原语，旨在反转卷积的固有特性。它在设计上桥接了**卷积**（Convolution）与**自注意力**（Self-Attention），相比卷积更高效有效，形式上比自注意力更简洁。本项目基于 OpenMMLab 工具套件构建，支持图像分类、目标检测和实例分割等任务。\n\n## 环境准备\n\n在开始之前，请确保满足以下系统要求和依赖：\n\n*   **操作系统**: Linux (推荐 Ubuntu 18.04+)\n*   **Python**: 3.7+\n*   **PyTorch**: 1.6.0+ (需匹配对应的 CUDA 版本)\n*   **核心依赖**:\n    *   [OpenMMLab 系列库](https:\u002F\u002Fopenmmlab.com\u002F) (`mmcls`, `mmdetection`, `mmsegmentation`)\n    *   **[CuPy](https:\u002F\u002Fcupy.dev\u002F)**: 本项目提供了基于 CuPy 的显存高效实现，**必须预先安装**。\n    \n> **提示**：国内用户安装 CuPy 时，若官方源下载缓慢，可尝试使用预编译的 wheel 包或配置国内镜像源。\n\n## 安装步骤\n\n本项目并非独立的安装包，而是需要将代码文件集成到现有的 OpenMMLab 项目中。以下以目标检测框架 **MMDetection** 为例：\n\n### 1. 克隆并安装 MMDetection\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection\ncd mmdetection\npip install -v -e .\n```\n\n### 2. 集成 Involution 代码\n将本仓库中的模型定义、数据集处理和配置文件复制到 MMDetection 的对应目录中：\n\n```shell\n# 假设 involution 仓库已克隆在上一级目录或当前目录旁\n# 复制模型骨干、颈部、头部等组件\ncp -r ..\u002Finvolution\u002Fdet\u002Fmmdet\u002Fmodels\u002F* mmdet\u002Fmodels\u002F\n\n# 复制数据集处理逻辑\ncp -r ..\u002Finvolution\u002Fdet\u002Fmmdet\u002Fdatasets\u002F* mmdet\u002Fdatasets\u002F\n\n# 复制配置文件\ncp -r ..\u002Finvolution\u002Fdet\u002Fconfigs\u002F* configs\u002F\n```\n*(注：如果是用于分类 `mmcls` 或分割 `mmseg` 任务，请参考 README 中的路径规则复制到对应项目目录)*\n\n### 3. 安装 CuPy (如未安装)\n```shell\npip install cupy-cuda11x  # 请根据你的 CUDA 版本选择对应的包，如 cuda102, cuda110 等\n```\n\n## 基本使用\n\n### 1. 准备预训练权重\n对于下游任务（如检测、分割），建议先下载在 ImageNet 上预训练的 **RedNet-50** 权重，并在配置文件中修改 `pretrained` 路径为本地绝对路径。\n\n*   **下载链接**: [RedNet-50 ImageNet Pretrained Weights](https:\u002F\u002Fhkustconnect-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fdlibh_connect_ust_hk\u002FEaVInpb6TGJApN6QCAWwKJAB3cK9Iz55QfJgmhhaV7yuHw?e=yuWxyI)\n\n### 2. 模型评估示例\n以下命令演示如何使用多 GPU 评估一个 Faster R-CNN + RedNet-50 模型：\n\n```shell\ncd mmdetection\n\n# 语法：bash tools\u002Fdist_test.sh ${配置文件} ${检查点文件} ${GPU 数量} [--out 结果文件] [--eval 评估指标]\n\nbash tools\u002Fdist_test.sh \\\n    configs\u002Finvolution\u002Ffaster_rcnn_red50_fpn_1x_coco.py \\\n    path\u002Fto\u002Fyour\u002Fcheckpoint.pth \\\n    8 \\\n    --eval bbox\n```\n\n### 3. 模型训练示例\n训练流程与原生 MMDetection 完全一致：\n\n```shell\nbash tools\u002Fdist_train.sh \\\n    configs\u002Finvolution\u002Ffaster_rcnn_red50_fpn_1x_coco.py \\\n    8 \\\n    --work-dir work_dirs\u002Finvolution_demo\n```\n\n### 关键配置说明\n在配置文件（`.py`）中，你可以通过替换 `neck` 或 `head` 部分的类型来启用 Involution：\n*   **Backbone**: 使用 `RedNet` 系列（如 `RedNet-50`）。\n*   **Neck\u002FHead**: 将标准的 `FPN` 或卷积层替换为 `involution` 模块，即可享受更低的参数量和 FLOPs。\n\n更多详细用法（如自定义数据集、超参数调整）请参阅 [MMDetection](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection)、[MMClassification](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmclassification) 或 [MMSegmentation](https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmsegmentation) 的官方教程。","某自动驾驶团队正在研发城市道路实时感知系统，需要在有限算力的车载芯片上同时实现高精度的车辆检测与路面分割。\n\n### 没有 involution 时\n- 传统卷积算子为了捕捉大范围的路面上下文信息，不得不堆叠深层网络或使用大感受野卷积，导致模型参数量激增，超出车载芯片内存限制。\n- 在处理不同分辨率的输入图像时，固定权重的卷积核缺乏动态适应能力，对小目标车辆和复杂背景纹理的特征提取效果不佳。\n- 试图引入自注意力机制（Self-Attention）来弥补卷积的不足，但计算复杂度随图像尺寸平方级增长，导致推理延迟过高，无法满足实时性要求。\n- 模型在夜间或恶劣天气下的泛化能力较弱，因为静态卷积核难以根据输入内容动态调整特征聚合策略。\n\n### 使用 involution 后\n- involution 通过将卷积核参数与输入空间位置解耦并动态生成，以更少的参数量实现了更大的有效感受野，显著降低了显存占用。\n- 其动态特性使模型能根据每张图片的具体内容自适应调整特征提取方式，大幅提升了对小尺寸车辆及模糊路面标线的识别精度。\n- 相比自注意力机制，involution 保持了与标准卷积相似的线性计算复杂度，在同等硬件上将推理速度提升了 30%，确保系统实时响应。\n- 凭借更强的特征表达灵活性，系统在雨雾天等长尾场景下的鲁棒性明显增强，减少了误检和漏检情况。\n\ninvolution 成功打破了卷积与注意力机制的效率瓶颈，让高精度视觉模型得以在资源受限的边缘设备上高效运行。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fd-li14_involution_80edfbad.png","d-li14","Duo Li","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fd-li14_4c198a46.png",null,"https:\u002F\u002Fgithub.com\u002Fd-li14",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,1316,177,"2026-03-20T11:24:27","MIT",4,"Linux","必需 NVIDIA GPU（基于 CUDA 自定义内核），具体型号未说明，训练需多卡环境（ImageNet 64 卡，COCO 8 卡，Cityscapes 4 卡）","未说明",{"notes":94,"python":92,"dependencies":95},"该工具完全基于 OpenMMLab 套件构建，需手动将模型和配置文件复制到对应的 mmcls\u002Fmmdet\u002Fmmseg 目录中。必须预先安装 CuPy 库以支持内存高效的算子实现。自定义 CUDA 内核可带来进一步加速。",[96,97,98],"OpenMMLab toolkits (mmcls, mmdet, mmseg)","CuPy","CUDA",[14,13],[67,101,102,103,104,105,106,107,108],"operator","pytorch","image-classification","object-detection","instance-segmentation","semantic-segmentation","cvpr2021","pre-trained-model","2026-03-27T02:49:30.150509","2026-04-06T08:36:31.694935",[112,117,122,127,132,137],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},18385,"如何在 YOLOv5 中集成 Involution 模块？","在 YOLOv5 中使用 Involution 时，通常只需要修改配置文件（.yaml），将对应的卷积层替换为 involution 模块即可，无需大幅改动 common.py 中的 Focus 模块或其他基础代码。如果遇到问题，建议先尝试使用 CPU 版本（involution_naive.py）验证逻辑，再尝试 CUDA 版本。","https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fissues\u002F30",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},18386,"使用 involution_cuda.py 时报错 NotImplementedError 怎么办？","该错误通常意味着 CUDA 扩展未正确编译或加载。许多用户反馈 CUDA 版本难以跑通，建议暂时回退到使用 involution_naive.py（CPU 版本）进行训练和验证。如果必须使用 CUDA 版本，需确保已正确编译了相关的 CUDA 内核文件，且环境配置（如 PyTorch 版本与 CUDA 版本）完全匹配。","https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fissues\u002F15",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},18387,"训练时出现 'CUDA_ERROR_LAUNCH_OUT_OF_RESOURCES' 错误如何解决？","此错误通常是由 GPU 显存溢出（OOM）引起的，表明请求的资源超过了 GPU 的限制。解决方法包括：减小 batch size、降低输入图像分辨率、或者检查模型结构是否占用了过多显存。","https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fissues\u002F6",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},18388,"使用 Involution 替换 ResNet 中的卷积后，损失变为 NaN 或精度为 0 怎么办？","这通常是由于学习率过大导致梯度爆炸或不稳定。解决方案是显著减小学习率（learning rate）。有用户反馈在只借用 involution_naive.py 文件并调小学习率后，训练恢复正常，精度不再为 0。","https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fissues\u002F19",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},18389,"如何自定义 Involution 的输出通道数（out_channel）？","Involution 操作本身的输出通道数必须等于输入通道数。如果需要改变通道数，不能在 Involution 层直接设置，而需要在该层之后添加一个额外的线性变换层（如 1x1 卷积或全连接层）来调整通道数量。","https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fissues\u002F25",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},18390,"Involution 在具体网络框架中是如何使用的？它替代了什么？","在当前的实现中，Involution 主要用于替换网络中的标准 3x3 卷积层。它可以应用于如 ResNet 等骨干网络中，以保持参数量更少的同时提取特征。","https:\u002F\u002Fgithub.com\u002Fd-li14\u002Finvolution\u002Fissues\u002F10",[]]