一、从一次部署性能问题说起上周在把RT-DETR模型部署到Jetson Orin边缘设备时遇到了尴尬情况：训练时mAP达到78.3的模型，在实际推理时帧率只有23FPS，离实时检测的30FPS目标差了一截。更头疼的是，尝试用TensorRT优化后，精度直接掉了2.1个点。问题出在哪？用torch.profiler分析发现，模型中的多分支结构（特别是那些Inception式的模块）在部署时产生了大量内存访问开销。每个分支都要单独计算，然后合并，这种设计在训练时有利于梯度流动，但在推理时成了性能瓶颈。这时候我想起了RepVGG——那个在2021年惊艳众人的“结构重参数化”方案。它的核心思想很巧妙：训练时用多分支结构，推理时合并成单路VGG式直筒网络。二、RepVGG的魔法：训练与推理两副面孔2.1 核心原理拆解RepVGG的聪明之处在于它玩了个“变身游戏”：# 训练时的多分支结构（3x3卷积 + 1x1卷积 + 恒等连接）classRepVGGBlock_Train(