我々は、シンプルでありながら強力な畳み込みニューラルネットワークのアーキテクチャを提案する。このモデルの推論時構造は、3×3畳み込み層とReLU関数を積み重ねた構成を持つVGGに類似した形を採用しているが、学習時におけるモデルはマルチブランチ構造を有している。この学習時と推論時のアーキテクチャを分離する手法は、構造的再パラメータ化（structural re-parameterization）技術によって実現されており、その名前をもってRepVGGと命名している。ImageNetデータセットにおいて、RepVGGは80％を超えるトップ1精度を達成しており、本研究の知見によれば、これは平滑な（plain）モデルで初めての成果である。NVIDIA GeForce 1080Ti GPU上で実行した場合、RepVGGはResNet-50に比べて83％高速、ResNet-101に比べて101％高速でありながら、より高い精度を維持しており、EfficientNetやRegNetなどの最先端モデルと比較しても、精度と速度のトレードオフにおいて優れた性能を示している。本モデルのコードおよび学習済みモデルは、https://github.com/megvii-model/RepVGG にて公開されている。