071、GhostConv 替换 Backbone 中标准卷积（位置一）：廉价线性变换生成冗余特征图

071、GhostConv 替换 Backbone 中标准卷积（位置一）：廉价线性变换生成冗余特征图从一次显存爆炸的调试说起去年年底帮一个做工业缺陷检测的团队调模型，他们用YOLOv8s跑一个1080p的PCB板检测任务，batch size设到8直接OOM。我上去一看，Backbone里第三层那个512通道的3×3卷积，参数量快赶上后面整个Neck了。当时我就在想，这玩意儿真的需要这么多冗余特征图吗？后来翻到华为诺亚方舟的GhostNet论文，突然意识到一个很朴素的事实——很多特征图之间其实高度相关，完全可以用一组“廉价”的线性变换从少量本征特征图里生成出来。这个思路放到YOLOv11里，就是今天要聊的GhostConv替换Backbone标准卷积。位置一指的是Backbone中第一个下采样之后的卷积层，通常是P2层或者P3层的入口。这个位置的特征图分辨率还比较高，通道数开始膨胀，是显存和计算量的主要瓶颈之一。GhostConv到底在干什么标准卷积的直觉是：每个输出通道都由所有输入通道的加权和得到。GhostConv的想法更“偷懒”——先用少量卷积生成一部分“本征”特征图，然后对这些本征图做简单的线性变换（比如3×3 depthwise卷积）来“复制”出更多特征图。这些复制出来的图就是所谓的“幽灵”特征图，它们和本征图一起构成最终输出。数学上，假设输出通道数为C_out，GhostConv先通过标准卷积生成C_out/2个本征特征图（这里s=2