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。卷积有一个鲜有人提的天生缺陷：平移等变——同一套卷积核在图像左上角和右下角执行完全相同的运算，网络不知道"位置"本身。CoordConv（Liu et al., Uber AI, 2018）的解法极其简单：把归一化的 x/y 坐标图拼接进输入通道，让卷积自己学会用位置信息。本文把它替换进 v13n 的第 1 层下采样卷积，实测+2,880 参数。前言卷积层改进的"替换式"玩法：把现成的卷积换成更好的等价物，层数不变、yaml 层号不用顺移。这篇的候选是 CoordConv——出自 Uber AI 论文《An intriguing failing of convolutional neural networks and the CoordConv solution》（NeurIPS 2018 workshop），官方源码 github.com/uber-research/CoordConv（本文另参考其广泛使用的 PyTorch 实现 mkocabas/CoordConv-pytorch）。替换点选在 v13n backbone 的层 1（输入 16 通道 @320×320 → 输出 32 通道 @160×160）。专栏目录： YOLOv13改进策略【卷积层篇】| CoordConv 坐标卷积，让卷积知道目标在哪
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。卷积有一个鲜有人提的天生缺陷：平移等变——同一套卷积核在图像左上角和右下角执行完全相同的运算，网络不知道"位置"本身。CoordConv（Liu et al., Uber AI, 2018）的解法极其简单：把归一化的 x/y 坐标图拼接进输入通道，让卷积自己学会用位置信息。本文把它替换进 v13n 的第 1 层下采样卷积，实测+2,880 参数。前言卷积层改进的"替换式"玩法：把现成的卷积换成更好的等价物，层数不变、yaml 层号不用顺移。这篇的候选是 CoordConv——出自 Uber AI 论文《An intriguing failing of convolutional neural networks and the CoordConv solution》（NeurIPS 2018 workshop），官方源码 github.com/uber-research/CoordConv（本文另参考其广泛使用的 PyTorch 实现 mkocabas/CoordConv-pytorch）。替换点选在 v13n backbone 的层 1（输入 16 通道 @320×320 → 输出 32 通道 @160×160）。专栏目录： RELATED READING
延伸阅读
更多一线实战笔记与深度复盘，助您持续精进
