YOLOv9改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

置顶 已于 2025-06-03 13:51:25 修改
阅读量3.7k 收藏 33
点赞数 43
CC 4.0 BY-SA版权
分类专栏： YOLOv9改进专栏 文章标签： YOLO 计算机视觉 目标检测 深度学习
于 2024-09-20 15:24:43 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_42591591/article/details/141931455

必读内容📖

1️⃣ 什么！不知道如何改进模型⁉️ 本专栏中的每一篇文章所使用的模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行，性价比极高。

2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到YOLOv9中，并进行二次创新，新颖度高，创新度高，能够适应不同的任务场景。

3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容，非常适合新手。

4️⃣ 团队内发表数篇SCI论文，熟悉完整的发表流程，已帮助多名同学成功发表论文。

专栏内容每周更新3-5篇，专栏实时评分96，质量保证。专栏价格会随着文章数量的增加而增加，早订阅早优惠~
前30人限时优惠69.9！ 一次订阅，永久使用！ 🎫 可开发票用于报销。

提及的方法同样适用于YOLOv9的分类、检测和分割等任务，并且由于YOLOv7的文件结构和YOLOv9基本一致，所有在YOLOv9上的相关改进方法同样适用于YOLOv7。此外，想看哪个模块的复现，也可以直接私信我~

YOLOv9模型结构🌟

YOLOv9改进目录一览（持续更新中ing🚀）

在这里插入图片描述

项目介绍

在大家购买专栏后，加入学习群便可获得全部的程序文件，下方仅为列出的部分文件截图。在获取到文件后，只需按照将程序放在个人项目中即可运行，训练。群内有我录制的关于如何改进模型的视频，方便大家下载学习。可自行组合成不同的模块，实现针对你数据集的有效涨点。

在这里插入图片描述

专栏购买链接：YOLOv9改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

项目环境版本如下（按照个人硬件配置即可）

  • Python：3.8.10
  • PyTorch：1.8.1
  • CUDA：11.1
  • 编辑器：VS Code

🍀基础试读篇🍀

1、目标检测：YOLOv9训练自己的数据集（从代码下载到实例测试）

2、语义分割：YOLOv9的分割模型训练自己的数据集（从代码下载到实例测试）

3、使用AutoDL训练YOLO等计算机视觉网络模型（AutoDL+Xftp+VS Code），附详细操作步骤

4、YOLOv9目标检测模型性能评价指标详解，涉及混淆矩阵、F1-Score、IoU、mAP、参数量、计算量等，一文打尽所有评价指标

5、YOLOv9模型应用过程中的报错处理及疑问解答，涉及环境搭建、模型训练、模块改进、论文写作

6、YOLOv9改进前必看 - YAML模型配置文件详细解读（再也不用担心通道数不匹配） 附网络结构图

7、YOLOv9训练前的准备，将数据集划分成训练集、测试集验证集（附完整脚本及使用说明）

8、YOLOv9改进入门篇 | 手把手讲解改进模块如何实现高效涨点，以SimAM注意力模块为例

🍀论文必备🍀

1、论文必备 - 绘制YOLOv9模型在训练过程中，精准率，召回率，mAP_0.5，mAP_0.5:0.95，以及各种损失的变化曲线

2、论文必备 - YOLOv9输出模型每一层的耗时和GFLOPs，深入比较每一层模块的改进效果

3、论文必备 - YOLOv9热力图可视化，支持指定模型，指定显示层，设置置信度，以及10种可视化实现方式

4、论文必备 - YOLOv9统计数据集中大、中、小目标数量，附完整代码和详细使用步骤

5、论文必备 - YOLOv9训练前一键扩充数据集，支持9种扩充方法，支持图像和标签同步扩充

6、论文必备 - YOLOv9计算COCO指标和TIDE指标，小目标检测必备，更全面的评估和指导模型性能，包含完整步骤和代码

🍀卷积层🍀

1、YOLOv9改进策略【卷积层】| 利用MobileNetv4中的UIB、ExtraDW优化RepNCSPELAN4

2、YOLOv9改进策略【卷积层】| CVPR-2023 SCConv：即插即用，减少冗余计算并提升特征学习

3、YOLOv9改进策略【卷积层】| GnConv：一种通过门控卷积和递归设计来实现高效、可扩展、平移等变的高阶空间交互操作

4、YOLOv9改进策略【卷积层】| HWD，引入Haar小波变换到下采样模块中，减少信息丢失

5、YOLOv9改进策略【卷积层】| AKConv： 具有任意采样形状和任意参数数量的卷积核

6、YOLOv9改进策略【卷积层】| 引入Dynamic Snake Convolution动态蛇形卷积，改进RepNCSPELAN4

🍀Conv和Transformer🍀

1、YOLOv9改进策略【Conv和Transformer】| Conv2Former通过卷积调制操作简化自注意力机制，获取全局信息

2、YOLOv9改进策略【Conv和Transformer】| Bottleneck Transformers 简单且高效的自注意力模块

3、YOLOv9改进策略【Conv和Transformer】| AssemFormer 结合卷积与 Transformer 优势，弥补传统方法不足

🍀模型轻量化🍀

1、YOLOv9改进策略【模型轻量化】| MoblieNetV3：基于搜索技术和新颖架构设计的轻量型网络模型

2、YOLOv9改进策略【模型轻量化】| GhostNetV2：利用远距离注意力增强廉价操作

3、YOLOv9改进策略【模型轻量化】| 利用PP-LCnet改进RepNCSPELAN4

4、YOLOv9改进策略【模型轻量化】| ShufflenetV2，通过通道划分构建高效网络

5、YOLOv9改进策略【模型轻量化】| 使用 MoblieOne 模块，引入结构重参数化，提高模型检测效率

🍀注意力机制篇🍀

1、YOLOv9改进策略【注意力机制篇】| 引入Shuffle Attention注意力模块，增强特征图的语义表示

2、YOLOv9改进策略【注意力机制篇】| 添加SE、CBAM、ECA、CA、Swin Transformer等注意力和多头注意力机制

3、YOLOv9改进策略【注意力机制篇】| 引入SimAM注意力模块（一个简单的，无参数的卷积神经网络注意模块）

4、YOLOv9改进策略【注意力机制篇】| 引入MobileNetv4中的Mobile MQA，提高模型效率

5、YOLOv9改进策略【注意力机制篇】| PSA极化自我关注： 实现高质量像素回归

6、YOLOv9改进策略【注意力机制篇】| GAM全局注意力机制： 保留信息以增强通道与空间的相互作用

7、YOLOv9改进策略【注意力机制篇】| MCAttention 多尺度交叉轴注意力

8、YOLOv9改进策略【注意力机制篇】| 2024 SCSA-CBAM 空间和通道的协同注意模块

9、YOLOv9改进策略【注意力机制篇】| CVPR2024 CAA上下文锚点注意力机制

10、YOLOv9改进策略【注意力机制篇】| 2024 SCI TOP FCAttention 即插即用注意力模块，增强局部和全局特征信息交互

11、YOLOv9改进策略【注意力机制篇】| EMA 即插即用模块，提高远距离建模依赖

12、YOLOv9改进策略【注意力机制篇】| NAM 即插即用模块，重新优化通道和空间注意力

13、YOLOv9改进策略【注意力机制篇】| 蒙特卡罗注意力（MCAttn）模块，提高小目标的关注度

🍀损失函数篇🍀

1、YOLOv9改进策略【损失函数篇】| 利用MPDIoU，加强边界框回归的准确性

2、YOLOv9改进策略【损失函数篇】| Slide Loss，解决简单样本和困难样本之间的不平衡问题

3、YOLOv9改进策略【损失函数篇】| 替换激活函数为Mish、MetaAconC、FReLU、PReLU、Swish

4、YOLOv9改进策略【损失函数篇】| 引入Soft-NMS，提升密集遮挡场景检测精度，包括GIoU-NMS、DIoU-NMS、CIoU-NMS、SIoU-NMS、 EIou-NMS

5、YOLOv9改进策略【损失函数篇】| Inner-IoU损失：通过辅助边界框计算IoU提升检测效果(Inner_GIoU、Inner_DIoU、Inner_CIoU、Inner_EIoU、Inner_SIoU)

6、YOLOv9改进策略【损失函数篇】| Shape-IoU：考虑边界框形状和尺度的更精确度量

7、YOLOv9改进策略【损失函数篇】| 2024 引进Focaler-IoU损失函数 加强边界框回归

8、YOLOv9改进策略【损失函数篇】| NWD损失函数，提高小目标检测精度

9、YOLOv9改进策略【损失函数篇】| Varifocal Loss，解决密集目标检测器训练中前景和背景类别间极端不平衡的问题

10、YOLOv9改进策略【损失函数篇】| WIoU v3：针对低质量样本的边界框回归损失函数

🍀Neck🍀

1、YOLOv9改进策略【Neck】| 使用CARAFE轻量级通用上采样算子

2、YOLOv9改进策略【Neck】| GSConv+Slim Neck：混合深度可分离卷积和标准卷积的轻量化网络设计

3、YOLOv9改进策略【Neck】| 有效且轻量的动态上采样算子：DySample

🍀SPPF🍀

1、YOLOv9改进策略【SPPF】| SimSPPF，简化设计，提高计算效率

2、YOLOv9改进策略【SPPF】| AIFI : 基于Transformer的尺度内特征交互，在降低计算成本的同时提高模型的性能

YOLOv9改进策略 | 代码逐行解析（一）| 项目目录构造分析
Snu77的博客
03-13 6309
本文给家带来的是YOLOv9系列的代码逐行解析，对于一个新发布的项目来说，我们首先需要做的就是去了解它的项目结构，然后再去了解其代码（例如代码从训练文件开始->yaml文件定义->模型定义->yaml文件解析->模型结构定义->训练->损失计算->反向传播），这一整个流程下来我们如果能够完全了解下来对于我们来说收获是非常大的，同时这对于我们优化模型和魔改模型来说也是一个非常必要的步骤，有的读者问我没有深度学习基础能优化模型么。
YOLOv9改进策略：注意力机制 | 用于微小目标检测的上下文增强和特征细化网络ContextAggregation，助力小目标检测，暴力涨点
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
03-17 2808
用于微小目标检测的上下文增强和特征细化网络ContextAggregation，助力小目标检测
速度、精度、轻量化——YOLO26震撼发布！
最新发布
xian0710830114的专栏
09-29 1530
YOLO26：更好、更快、更小的 YOLO 型号！
YOLOv9来啦！YOLO目标检测全新工作！性能表现SOTA！在各个方面都大大超过了RT-DETR、YOLOv8等
qq_40716944的博客
02-22 1万+
今天的深度学习方法侧重于如何设计最合适的目标函数，使模型的预测结果最接近实际情况。同时，必须设计一种适当的架构，该架构可以促进获取足够的信息用于预测。现有的方法忽略了一个事实，即当输入数据经过逐层特征提取和空间变换时，会丢失大量信息。本文将深入研究数据通过深度网络传输时数据丢失的重要问题，即信息瓶颈和可逆函数。我们提出了可编程梯度信息（PGI）的概念，以应对深度网络实现多个目标所需的各种变化。PGI可以为目标任务提供完整的输入信息来计算目标函数，从而获得可靠的梯度信息来更新网络权重。
YOLOv9改进 | 一文带你了解全新的SOTA模型YOLOv9（论文阅读笔记，效果完爆YOLOv8）
Snu77的博客
02-22 1万+
YOLOv9发布时间为2024年2月21日是当前的SOTA模型，当今的深度学习方法专注于如何设计最合适的目标函数，以使模型的预测结果尽可能接近真实值。同时，还需要设计一个合适的架构，以便获取足够的信息进行预测。现有方法忽略了一个事实：当输入数据经过逐层的特征提取和空间变换时，会丢失大量信息。本文将深入探讨数据在深度网络中传输时数据丢失的重要问题，即信息瓶颈和可逆函数问题。我们提出了可编程梯度信息（PGI）的概念，以应对深度网络实现多个目标所需的各种变化。PGI能够为目标任务提供完整的输入信息。
YOLOv9 改进点详解
guoguozgw的博客
06-27 694
输出层级输出张量形状描述P3（80×80）小目标预测P4（40×40）中目标预测P5（20×20）大目标预测改进方向内容是否论文提出是否开源实现主干网络优化GLEncoder✅ 是✅ 是Neck 特征融合✅ 是✅ 是Head 输出结构解耦头设计（reg/obj/cls 分离）✅ 是✅ 是损失函数优化✅ 是✅ 是数据增强策略✅ 是✅ 是标签分配机制✅ 是（继承自 YOLOv8）✅ 是模型轻量化可重参数化模块✅ 是✅ 是推理优化。
YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
热门推荐
Limiiiing的博客
10-11 4万+
如今各种网络模型更新迭代越来越快，计算机视觉相关的文章也越来越多，多到一些普通，通用的改进点无法达到发表的要求。本专栏正是解决这个问题！如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。
YOLOv8改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
Limiiiing的博客
12-24 8695
1️⃣本专栏已更新150多种不同的改进方法，所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，紧跟学术热点，适应不同的任务场景。3️⃣团队内发表数篇SCI论文，熟悉完整的发表流程，订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新，最近更新时间：2024-12-24。项目介绍在大家购买专栏后，加入学
YOLOv12改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
Limiiiing的博客
03-10 1万+
1️⃣ 什么！不知道如何改进模型⁉️ 本专栏所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行，性价比极高。2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，并进行二次创新，新颖度高，创新度高，能够适应不同的任务场景。3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容，非常适合新手。4️⃣ 团队内发表数篇SCI论
YOLOv10改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
Limiiiing的博客
10-11 9215
如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。
Yolov9比其他yolo版本的改进
Littro Innovations
06-09 706
1. **可逆函数角度的分析**：YOLOv9从可逆函数的角度理论上分析了现有的CNN架构，基于这种分析，设计了PGI（可编程梯度信息）和辅助可逆分支，取得了优秀的结果。8. **效率、准确性和适应性的提高**：YOLOv9引入了开创性技术，如PGI和GELAN，这标志着实时目标检测领域的重大进步，提高了模型的效率、准确性和适应性。5. **性能提升**：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，显示出速度和精度上的显著提升。
YOLOv9改进策略【损失函数篇】| Shape-IoU：考虑边界框形状和尺度的更精确度量
Limiiiing的博客
09-18 1954
本文记录的是改进YOLOv9的损失函数，将其替换成Shape-IoU。现有边界框回归方法通常考虑GT（Ground Truth）框与预测框之间的几何关系，通过边界框的相对位置和形状计算损失，但忽略了边界框本身的形状和尺度等固有属性对边界框回归的影响。为了弥补现有研究的不足，Shape-IoU提出了一种关注边界框本身形状和尺度的边界框回归方法。
YOLOv9改进策略【损失函数篇】| 引入Soft-NMS，提升密集遮挡场景检测精度，包括GIoU-NMS、DIoU-NMS、CIoU-NMS、SIoU-NMS、 EIou-NMS
Limiiiing的博客
09-13 2144
传统的非极大值抑制（NMS）算法在目标检测中存在一个问题，即当一个物体的检测框与具有最高得分的检测框M有重叠（在预定义的重叠阈值内）时，会将该检测框的得分设置为零，从而导致该物体可能被遗漏，降低了平均精度。为了解决这个问题，作者提出了Soft-NMS算法。本文将YOLOv9默认的NMS修改成GIoU-NMSDIoU-NMSCIoU-NMSSIoU-NMSEIou-NMS。
YOLOv9最新改进系列：超越VIT！重新思考CNN大核注意力设计,显著提升小目标检测性能！
B站 Ai学术叫叫兽的文案地
04-11 2394
大型可分离核注意力（LSKA）模块的视觉注意力网络（VAN）已被证明在各种基于视觉的任务上提供了卓越的性能，超过了视觉转换器（ViTs）。然而，这些LSKA模块中的逐深度卷积层随着卷积核尺寸的增加，计算和内存占用呈二次增长。为了缓解这些问题，并使VAN的注意力模块能够使用极大的卷积核，我们提出了一种大型可分离核注意力模块，称为LSKA。LSKA将深度卷积层的2D卷积核分解为级联的水平1D和垂直1D内核。与标准LKA设计不同，提出的分解使得可以直接使用注意力模块中的深度卷积层的大内核，而不需要任何额外的块。
YOLOv9全网最新改进系列：：YOLOv9完美融合双卷积核（DualConv）来构建轻量级深度神经网络,目标检测模型有效涨点神器！！！
B站 Ai学术叫叫兽的文案地
05-13 1999
YOLOv9全网最新改进系列：：YOLOv9完美融合双卷积核（DualConv）来构建轻量级深度神经网络,目标检测模型有效涨点神器！！！
InceptionNext:当Inception遇到ConvNeXt
AI浩
06-24 1691
回顾深度学习的历史[31]，卷积神经网络(Convolutional Neural Networks, cnn)[32,33]无疑是计算机视觉中最流行的模型。在2012年，AlexNet[30]赢得了ImageNet[11,50]比赛，开启了cnn在深度学习，尤其是计算机视觉领域的新时代。
Next-ViT: 下一代视觉Transformer，用于现实工业场景中的高效部署
m0_47867638的博客
09-17 1596
我们展示了如图2所示的Next-ViT。按照惯例，Next-ViT遵循带有补丁嵌入层和每个阶段一系列卷积或Transformer块的层次金字塔架构。空间分辨率将通过每个阶段减少32倍，而通道维度将在不同阶段扩展。在本章中，我们首先深入设计信息交互的核心块，并分别开发了强大的NCB和NTB来模拟视觉数据中的短期和长期依赖性。局部和全局信息的融合也在NTB中执行，这进一步增强了建模能力。最后，我们系统地研究了集成卷积和Transformer块的方式。
YoloV9改进策略：BackBone改进|RIFormer在YoloV9中的创新应用与显著性能提升
m0_47867638的博客
09-26 400
RIFormer是一种经过精心设计的视觉骨干网络，其核心在于去除了传统视觉Transformer（ViTs）中的复杂令牌混合器（token mixer），如自注意力机制，转而采用一种简化的恒等映射结构。这一设计极大地降低了模型的计算复杂度，同时保留了足够的建模能力。通过结合知识蒸馏和结构重参数化技术，RIFormer能够在保持高效率的同时，实现与复杂模型相媲美的性能，为边缘设备上的视觉任务提供了理想选择。
YoloV9改进策略：上采样改进|CARAFE，轻量级上采样|即插即用|附改进方法+代码
m0_47867638的博客
11-04 1318
论文介绍 CARAFE模块概述：本文介绍了一种名为CARAFE（Content-Aware ReAssembly of FEatures）的模块，它是一种用于特征上采样的新方法。 应用场景：CARAFE模块旨在改进图像处理和计算机视觉任务中的上采样过程，特别适用于目标检测、实例分割、语义分割和图像修复等任务。 目标：通过引入内容感知的重新组装机制，CARAFE旨在提高上采样过程的准确性和效率。 创新点 内容感知上采样：与传统的上采样方法（如双线性插值、转置卷积等）相比，CARAFE引入了内容感知机制，
基于MobileNetV4轻量化改进YOLOv5目标检测模型
本文所探讨的主题“改进YOLOv5：引入轻量化模型MobileNetV4”正是在此背景下提出的创新性尝试，具有重要的理论意义与工程应用价值。 首先，需要明确的是，MobileNetV4是Google最新推出的轻量化卷积神经网络架构，它...
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Limiiiing

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值