目标检测算法-YOLOV9解析（附论文和源码）

目标检测算法-YOLOV9解析（附论文和源码）

一，YOLOV9

1，概述：

     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 %。

本文主要贡献：

• 从可逆函数角度对现有的深度神经网络架构进行了理论分析，并成功地解释了许多过去难以解释的现象。在此基础上设计了PGI 和辅助可逆分支，并取得了很好的效果；

• PGI 解决了深度监督只能用于极深神经网络架构的问题，从而使新型轻量级架构真正应用于日常生活；

• GELAN 仅使用了传统的卷积方式，实现了更高的参数使用率，同时还展现出轻便、快速、准确的巨大优势；

• 结合所提出的PGI 和 GELAN，YOLOv9 在 MS COCO 数据集上的物体检测性能在各方面都大大超过了现有的实时物体检测器。

2，论文摘要：

      当今的深度学习方法专注于设计最合适的目标函数，以使模型的预测结果与实际情况最接近。同时，必须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，即当输入数据经过逐层特征提取和空间变换时，大量信息将会丢失。

本文将深入探讨当数据通过深度网络传输时的数据丢失重要问题，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，以处理深度网络所需的各种变化，以实现多个目标。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以更新网络权重。此外，基于梯度路径规划设计了一种新的轻量级网络架构——广义高效层聚合网络（GELAN）。GELAN的架构证实了PGI在轻量级模型上取得了优异的结果。我们在基于MS COCO数据集的目标检测上验证了提出的GELAN和PGI。

结果显示，GELAN仅使用常规卷积算子即可实现比基于深度卷积开发的最先进方法更好的参数利用率。PGI可用于各种模型，从轻量级到大型。它可用于获取完整信息，使得从头开始训练的模型可以获得比使用大型数据集预训练的最先进模型更好的结果，比较结果如图1所示。

</