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。这篇回到"插入式"玩法：FocalModulation（Yang et al., NeurIPS 2022，微软 FocalNet）用分层深度卷积聚合多尺度上下文 + 门控调制 query，完全不需要 QK^T——江湖人称"卷积版的注意力"。本文把它插在 v13n 的层 8 之后（与注意力篇同款玩法），实测+272,643 参数、+0.22 GFLOPs，顺带解决一个注册必撞的命名冲突新坑。前言注意力算相关性的标准姿势是 Q·K^T，代价随像素数平方增长；FocalNet 问了一个反向问题：调制（modulate）真的需要"查询-键"交互吗？它的答案是用卷积把"上下文"按粗细分层聚合好，再用可学习的门控加权，最后直接乘到 query 上——没有注意力矩阵，计算量线性于像素数，视觉任务上却能对打自注意力。对检测这种大分辨率任务，这是"注意力"和"卷积"之间非常讨巧的中间态，因此在卷积层篇里它以插入式（与注意力篇同款）登场。专栏目录：YOLOv13改进目录一览专栏地址 YOLOv13改进策略【卷积层篇】| NeurIPS 2022 FocalModulation 焦点调制，卷积版的注意力
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。这篇回到"插入式"玩法：FocalModulation（Yang et al., NeurIPS 2022，微软 FocalNet）用分层深度卷积聚合多尺度上下文 + 门控调制 query，完全不需要 QK^T——江湖人称"卷积版的注意力"。本文把它插在 v13n 的层 8 之后（与注意力篇同款玩法），实测+272,643 参数、+0.22 GFLOPs，顺带解决一个注册必撞的命名冲突新坑。前言注意力算相关性的标准姿势是 Q·K^T，代价随像素数平方增长；FocalNet 问了一个反向问题：调制（modulate）真的需要"查询-键"交互吗？它的答案是用卷积把"上下文"按粗细分层聚合好，再用可学习的门控加权，最后直接乘到 query 上——没有注意力矩阵，计算量线性于像素数，视觉任务上却能对打自注意力。对检测这种大分辨率任务，这是"注意力"和"卷积"之间非常讨巧的中间态，因此在卷积层篇里它以插入式（与注意力篇同款）登场。专栏目录：YOLOv13改进目录一览专栏地址