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。卷积擅长局部、Transformer 擅长全局——MobileViT（Mehta et al., ICLR 2022《MobileViT: Light-weight, General-purpose, and Mobile-friendly Vision Transformer》，Apple 官方，标准 PyTorch 实现取自 xmu-xiaoma666 版）把两者串起来：3×3+1×1 卷积先编码局部，特征按 patch 展开成 token 序列过轻量 Transformer 编码全局，再折回空间与原特征拼接融合。本文把它插入 v13n 主干层 7 之后（256 通道 @20×20 的 P5 尺度），实测+2,692,096 参数、GFLOPs 6.5→8.61——本批次最重的模块，也是"卷积+Transformer 混合"路线的代表作。3 轮冒烟训练正常收敛。前言注意力机制篇的"插入式"玩法（层 7 之后插入、层号全量顺移）。MobileViT 是 Apple 提出的移动端友好 ViT：它不像 ViT 那样把整图切成 patch 直接过 Transformer（丢失局部结构、需要大数据预训练），而是保留卷积主干、只在中间插入一段"全局编码"——用 CNNA 的局部特征补 ViTA 的全局视野。插入点选在层 7 之后：P5 语义特征 @ YOLOv13改进策略【注意力机制篇】| ICLR 2022 MobileViTAttention 移动视觉Transformer，卷积编码局部、Transformer 编码全局
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。卷积擅长局部、Transformer 擅长全局——MobileViT（Mehta et al., ICLR 2022《MobileViT: Light-weight, General-purpose, and Mobile-friendly Vision Transformer》，Apple 官方，标准 PyTorch 实现取自 xmu-xiaoma666 版）把两者串起来：3×3+1×1 卷积先编码局部，特征按 patch 展开成 token 序列过轻量 Transformer 编码全局，再折回空间与原特征拼接融合。本文把它插入 v13n 主干层 7 之后（256 通道 @20×20 的 P5 尺度），实测+2,692,096 参数、GFLOPs 6.5→8.61——本批次最重的模块，也是"卷积+Transformer 混合"路线的代表作。3 轮冒烟训练正常收敛。前言注意力机制篇的"插入式"玩法（层 7 之后插入、层号全量顺移）。MobileViT 是 Apple 提出的移动端友好 ViT：它不像 ViT 那样把整图切成 patch 直接过 Transformer（丢失局部结构、需要大数据预训练），而是保留卷积主干、只在中间插入一段"全局编码"——用 CNNA 的局部特征补 ViTA 的全局视野。插入点选在层 7 之后：P5 语义特征 @