我们提出了一种简单而强大的卷积神经网络架构，其推理阶段的网络结构类似于VGG，仅由一系列3×3卷积层与ReLU激活函数堆叠而成；而训练阶段则采用多分支拓扑结构。通过结构重参数化（structural re-parameterization）技术，实现了训练阶段与推理阶段架构的解耦，因此该模型命名为RepVGG。在ImageNet数据集上，RepVGG在不使用复杂设计的前提下，首次达到了超过80%的Top-1准确率，据我们所知，这是首个实现这一性能的“纯”模型。在NVIDIA 1080Ti GPU上，RepVGG模型的推理速度比ResNet-50快83%，比ResNet-101快101%，且在保持更高准确率的同时，相较于当前最先进的模型（如EfficientNet和RegNet），展现出更优的准确率-速度权衡。代码与训练好的模型已开源，可访问 https://github.com/megvii-model/RepVGG。