目录

前言

算法原理

Methodology—方法

可编程梯度信息PGI

辅助可逆分支

多级辅助信息

广义 ELAN

实验效果

实施细节

与最先进实时目标检测器的比较

消融实验

表6展示了从基线 YOLOv7 到 YOLOv9 逐渐增加组件的结果。我们提出的 GELAN 和 PGI 为我们带来了较大优势。

可视化

部分核心代码

基于 YOLOv9 的自定义数据集目标检测

---

 

前言

   YOLOv9是由Chien-Yao Wang, I-Hau Yeh, and Hong-Yuan Mark Liao开发的计算机视觉模型。Hong-Yuan Mark Liao和Chien-Yao Wang还对YOLOv4、YOLOR和YOLOv7等流行的模型架构进行了研究。

YOLOv9引入了两种新的架构：YOLOv9和GELAN，这两种架构都可以从论文发布的YOLOv9 Python库中使用。

YOLOv9有四种模型，按参数个数排序是：v9-S、v9-M、v9-C、v9-E。目前v9 - S和v9 - M的权重暂不可用。其中最小的模型在MS COCO数据集的验证集上达到了46.8 %的AP，而最大的模型达到了55.6 %。

算法原理

输入数据在前馈过程中可能会有不可忽略的信息丢失。这种信息丢失会导致梯度流出现偏差，而梯度流又被用于更新模型。上述问题会导致深度网络在目标和输入之间建立不正确的关联，从而使训练后的模型产生不正确的预测结果。

本文完整代码详见目标检测YOLOV9论文及源代码

在深度网络中，输入数据在前馈过程中丢失信息的现象通常被称为信息瓶颈（information bottleneck），缓解这一现象的方法主要有以下几种：