集智书童 | YOLOv9开源 | 架构图&模块改进&正负样本匹配&损失函数解读，5分钟即可理解YOLOv9，建议收藏！

本文来源公众号“集智书童”，仅用于学术分享，侵权删，干货满满。

原文链接：YOLOv9开源 | 架构图&模块改进&正负样本匹配&损失函数解读，5分钟即可理解YOLOv9

1 YOLOv9对比图

YOLOv7原作者出手，YOLOv9的性能依旧时一枝独秀：

2 YOLOv9架构图

YOLOv9的整体架构图如下（根据YOLOv9.yaml绘制）：

3 YOLOv9改进点一览

1. YOLOv9从可逆函数角度理论上分析了现有的CNN架构，基于这种分析，YOLOv9作者还设计了PGI和辅助可逆分支，并取得了优秀的结果；

2. YOLOv9用到的PGI解决了深度监督只能用于极深的神经网络架构的问题，因此使得新的轻量级架构才更适合落地；

3. YOLOv9中设计的GELAN仅使用传统卷积，就能实现比基于最先进技术的深度可分卷积设计更高的参数使用率，同时展现出轻量级、快速和精确的巨大优势；

4. 基于所提出的PGI和GELAN，YOLOv9在MS COCO数据集上的性能在所有方面都大大超过了现有的实时目标检测器。

3.1 PGI（可编程梯度信息）组件

PGI主要包括三个组成部分，即：

1. 主分支

2. 辅助可逆分支

3. 多级辅助信息

从图中可以看出，PGI推理过程仅使用主分支，因此不需要任何额外的推理成本。

3.2 GELAN模块

YOLOv9提出了新网络架构——GELAN。GELAN通过结合两种神经网络架构，即结合用梯度路径规划（CSPNet）和（ELAN）设计了一种广义的高效层聚合网络（GELAN）；GELAN综合考虑了轻量级、推理速度和准确度。

GELAN整体架构如上图所示。YOLOv9将ELAN的能力进行了泛化，原始ELAN仅使用卷积层的堆叠，而GELAN可以使用任何计算块作为基础Module。

3.3 损失函数与样本匹配

通过上图代码可以看到，样本匹配依旧使用的是TaskAlign样本匹配。和YOLOv8、YOLOE、YOLOv6等算法保持一致；

• 分类损失：BCE Loss
• 回归损失：DFL Loss + CIoU Loss

4 速度&精度对比

可以看出，YOLOv9的性能最为优秀，应该会成为2D检测的新宠。

THE END!

文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。