MAR-YOLOv9：革新农业检测，YOLOv9的“低调”逆袭

原创于 2025-12-04 16:36:10 发布 · 500 阅读

CC 4.0 BY-SA版权

文章标签：

在YOLO系列的演进长河中，YOLOv8以其出色的平衡性赢得了广泛关注，YOLOv10和v11也紧随其后带来新的优化。然而，YOLOv9——这个介于v8与v10之间的版本，却似乎略显低调，未能获得同等的讨论热度。

但技术的价值从不取决于曝光度。今天，我们要为大家详细介绍一项基于YOLOv9的重要创新：多适应识别YOLOv9（MAR-YOLOv9）。这是一种专门为农业领域设计的轻量级跨数据集增强目标检测方法，它不仅在YOLOv9的基础上实现了显著突破，更在复杂多变的农业场景中展现出了令人瞩目的性能表现。

图片1.png

随着深度学习技术的发展，目标检测已广泛应用于各个领域。然而，在跨数据集目标检测中，传统的深度学习模型常常面临性能下降的问题。这在农业领域尤为突出，因为农业领域作物种类繁多，环境复杂多变。现有技术在处理多样化场景时仍然面临性能瓶颈。为了解决这些问题，本研究提出了一种基于YOLOv9的轻量级、跨数据集增强的农业领域目标检测方法，命名为多适应性识别-YOLOv9（MAR-YOLOv9）。该方法优化了传统的32倍下采样骨干网络，并创新性地设计了16倍下采样骨干网络。此外，还引入了更精简、更轻量级的主颈结构，以及创新的特征提取、上采样和连接方法。这种混合连接策略使得模型能够灵活地利用不同层级的特征。 MAR-YOLOv9解决了传统YOLOv9中由于检测颈部和辅助分支结构导致的训练时间过长和权重冗余问题，使其能够在保持高性能的同时降低模型的计算复杂度并提高检测速度，从而更适用于实时检测任务。在四个植物数据集的对比实验中，MAR-YOLOv9的mAP@0.5精度相比七种主流目标检测算法提高了39.18%，相比YOLOv9模型提高了1.28%。同时，模型规模缩小了9.3%，模型层数也减少了，从而降低了计算成本和存储需求。此外，MAR-YOLOv9在检测复杂农业图像方面也展现出显著优势，为农业领域的目标检测任务提供了一种高效、轻量级且适应性强的解决方案。

相关数据和代码可通过以下链接获取：https://github.com/YangxuWangamI/MAR-YOLOv9

一、农业目标检测的独特挑战

农业领域的目标检测任务具有其特殊性：

作物多样性：不同作物的外观、形态、颜色差异巨大
环境复杂：光照变化、天气条件、拍摄角度等因素影响图像质量
尺度多变：同一种作物在不同生长阶段尺寸差异显著
遮挡严重：叶片、茎秆相互遮挡，目标可见性差
实时性要求：农业应用往往需要部署在资源有限的设备上

这些特点使得通用目标检测模型在农业场景中难以发挥最佳性能，迫切需要针对性的优化方案。

二、MAR-YOLOv9：专为农业设计的轻量级解决方案

为了应对上述挑战，我们提出了多适应识别YOLOv9（MAR-YOLOv9）——一种基于YOLOv9的农业领域轻量级跨数据集增强目标检测方法。

核心创新点

16倍下采样骨干网络

传统YOLOv9采用32倍下采样，可能会丢失细节信息

MAR-YOLOv9创新性地设计了16倍下采样骨干网络

在降低计算复杂度的同时，保留了更多关键特征信息
精简轻量的主颈部结构

优化了特征提取、上采样和拼接连接策略

采用混合连接策略，灵活利用不同层级特征

解决了传统YOLOv9中检测颈部和辅助分支导致的训练时间增加、权重冗余问题
双路径检测架构

主检测分支：负责主要特征提取和目标检测

辅助检测分支：通过可逆辅助设计，增强小目标检测能力

CBLinear和CBFuse模块实现多路径特征传递，有效解决信息损失问题

图片2.png

关键技术模块

RepNCSPELAN4模块：增强特征表达能力
CBLinear模块：多路径特征提取器
Adown模块：高效下采样设计
激活函数选择：采用SiLU激活函数，平衡梯度流动和计算

journal.pone.0307643.g002.PNG

三、实验验证：四大数据集全面评测

我们在四个具有代表性的植物数据集上进行了全面评估：

数据集介绍

MTDC-UAV数据集：玉米雄穗检测与计数无人机数据集
WEDU数据集：小麦穗检测更新版数据集
RFRB数据集：油菜花花矩形框标记数据集
DRPD数据集：水稻穗多样性检测数据集

这些数据集涵盖了不同的植物种类、生长环境、图像质量和目标密度，能够全面评估模型的泛化能力。

图片4.png

性能对比

与七种主流目标检测算法（CenterNet、Faster R-CNN、EfficientDet、DETR、FCOS、SSD、YOLOv8）相比：

平均mAP@0.5提升39.18%
相比YOLOv9，精度提升1.28%
模型体积减小9.3%
层数减少，计算成本降低

图片5.png

图片6.png

图片7.png

图片8.png

四、可视化分析：更精准的检测效果

通过对比YOLOv9和MAR-YOLOv9的可视化结果，我们可以直观地看到改进效果：

小目标检测提升

在密集种植场景中，MAR-YOLOv9能够更准确地检测小尺寸的作物目标，减少漏检。

遮挡处理优化

面对叶片遮挡严重的场景，MAR-YOLOv9表现出更好的鲁棒性，能够识别部分可见的目标。

复杂背景适应

在背景杂乱、光照不均的条件下，MAR-YOLOv9的误检率显著降低。

图片9.png

图片10.png

图片11.png

结语

本研究旨在通过开发基于YOLOv9框架的MAR-YOLOv9模型来解决农业目标检测中的领域适应性问题，并取得了显著的性能提升。该模型创新性地设计了一个16倍下采样的骨干网络，并改进了主检测节点，从而增强了模型在农业场景中的适应性。实验中使用了四个不同的数据集进行全面评估，结果表明，与其他基准模型相比，MAR-YOLOv9在精确率、召回率和平均绝对精度（mAP）等指标上均取得了更高的水平。尤其是在水果被遮挡、背景复杂以及光照变化显著的场景下，MAR-YOLOv9也展现出了强大的鲁棒性。同时，MAR-YOLOv9的参数和模型层数更少，在保持高精度的同时降低了存储和计算成本。这一特性使得MAR-YOLOv9更易于部署在资源有限的边缘设备上，为农业领域的实时目标检测提供了可能。未来的研究可以以此研究为基础，进一步探索如何通过优化网络结构、引入更多上下文信息或利用迁移学习方法来改进和优化目标检测模型。同时，我们还将关注农业应用中更实际的需求，例如提高模型对特定作物的识别能力以及实现多目标同时检测，以满足农业生产中多样化的目标检测需求。