1.简介
- YOLO v9主要解决了深度网络中信息丢失的问题，它的改进主要体现在 GELAN模块 和 PGI（可编程梯度信息）
- 实验结果：
2.网络结构
（1）整体结构
- 训练模型结构（比推理结构多一个辅助模块，就是左边圈起来的部分，帮助梯度传播）：
- 推理模型结构：
- 可以看到，YOLO v9和 YOLO v8相比，把C2f模块改为了GELAN（RepNCSPELAN4） ，在训练时会使用辅助结构PGI，推理时去掉辅助结构来提高推理速度。
- 头部输出也和YOLOv8一样。
（2）GELAN模块
-
GELAN模块是把 ELAN 的"层聚合/梯度路径规划"泛化为可插拔框架 ，模块内可换 CSP/Res/Dark 等计算单元。在轻量/速度/精度三者间取得更优权衡（实际结果是又快精度又高），缓解深层信息流衰减带来的训练困难。
-
-
如上图，GELAN模块是在CSPNet和ELAN模块上的融合：
-
GELAN把原本只堆叠卷积层的ELAN，泛化成一个可以"装任意计算块"的框架，这个计算块可以是任意计算单元，比如换成普通卷积，他就变成了ELAN；也可以换成残差模块......
-
下图是信息保真度的对比实验结果：
3.重参数化
- 上面说了，YOLO v9和 YOLO v8相比，把C2f模块改为了RepNCSPELAN4，而RepN指的就是重参数化。和YOLOv7中的重参数化差不多。
- 重参数化分为模型训练和推理两个过程：
- 可以看到，训练时采用残差结构，而推理检测时换为了效果相同的3×3卷积（重参数化），这样精度不变，但速度提升了。
4.PGI（可编程梯度信息）
- PGI是在推理结构上加上了 辅助可逆分支（d图右圈） 和 多级信息辅助（d图左圈）