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。ParNet（Parallel Networks，Goyal et al., CVPR 2021《Non-deep Networks: Building Strong Vision Models with Few Layers》，官方实现为 Google 研究的 TF 版）回答了一个激进的问题：网络能不能只堆 12 层？答案是"能，前提是每层做宽"——它的 ParNet block 用三路并行（SSE 通道门 + 1×1 卷积 + 3×3 卷积）代替深度堆叠。本篇取其中的注意力组件 ParNetAttention（xmu-xiaoma666 标准实现，社区广泛使用）：三路相加后 SiLU，一条 SSE 全局门、一条点路、一条空间路。本文把它插入 v13n 主干层 2 之后（64 通道 @160×160 的浅层），实测+45,504 参数、GFLOPs 6.5→8.67，与标准实现逐位一致，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 2 之后插入、层号全量顺移）。ParNet 的"非深度"哲学：深度堆叠的收益有上限（梯度路径变长），并行加宽同样能到高精度。ParNetAttention 是 ParNet block 的融合端：SSE（Squeeze-and-Excite Element-wise）给通道门、 YOLOv13改进策略【注意力机制篇】| CVPR 2021 ParNetAttention 三路并行注意力，浅网络的高效表征
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。ParNet（Parallel Networks，Goyal et al., CVPR 2021《Non-deep Networks: Building Strong Vision Models with Few Layers》，官方实现为 Google 研究的 TF 版）回答了一个激进的问题：网络能不能只堆 12 层？答案是"能，前提是每层做宽"——它的 ParNet block 用三路并行（SSE 通道门 + 1×1 卷积 + 3×3 卷积）代替深度堆叠。本篇取其中的注意力组件 ParNetAttention（xmu-xiaoma666 标准实现，社区广泛使用）：三路相加后 SiLU，一条 SSE 全局门、一条点路、一条空间路。本文把它插入 v13n 主干层 2 之后（64 通道 @160×160 的浅层），实测+45,504 参数、GFLOPs 6.5→8.67，与标准实现逐位一致，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 2 之后插入、层号全量顺移）。ParNet 的"非深度"哲学：深度堆叠的收益有上限（梯度路径变长），并行加宽同样能到高精度。ParNetAttention 是 ParNet block 的融合端：SSE（Squeeze-and-Excite Element-wise）给通道门、