论文介绍论文翻译本研究致力于开发现代、高效、轻量化的密集预测模型，同时权衡参数量、计算量（FLOPs）与性能表现。倒残差模块（IRB）是轻量化CNN的基础架构，但基于注意力机制的研究尚未确立对应的设计范式。本文从统一视角重新思考轻量化架构，结合高效IRB与Transformer的有效组件，将CNN的IRB扩展至基于注意力的模型，并抽象出一种单残差元轻量模块（MMB）用于轻量化模型设计。基于简洁高效的设计准则，推导出现代倒残差移动模块（iRMB），并构建仅由iRMB组成的类ResNet高效模型（EMO），适用于下游任务。在ImageNet-1K、COCO2017和ADE20K基准测试中，实验结果表明EMO优于当前最优方法：例如，EMO-1M/2M/5M的Top-1准确率分别达到71.5、75.1和78.4，超越同量级的CNN或注意力模型，且在参数量、效率和精度间取得良好平衡——在iPhone14上运行速度比EdgeNeXt快2.8-4.0倍。代码已开源。文章地址：地址改进步骤步骤1在ultralytics\nn\extra_