---

YOLO系列博文：

1. 【第1篇：概述物体检测算法发展史、YOLO应用领域、评价指标和NMS】
2. 【第2篇：YOLO系列论文、代码和主要优缺点汇总】
3. 【第3篇：YOLOv1——YOLO的开山之作】
4. 【第4篇：YOLOv2——更好、更快、更强】
5. 【第5篇：YOLOv3——多尺度预测】
6. 【第6篇：YOLOv4——最优速度和精度】
7. 【第7篇：YOLOv5——使用Pytorch框架、AutoAnchor、多尺度预训练模型】
8. 【第8篇：YOLOv6——更高的并行度、引入量化和蒸馏以提高性能加速推理】
9. 【第9篇：YOLOv7——跨尺度特征融合】
10. 【第10篇：YOLOv8——集成检测、分割和跟踪能力】
11. 【第11篇：YOLO变体——YOLO+Transformers、DAMO、PP、NAS】
12. 【第12篇：YOLOv9——可编程梯度信息(PGI)+广义高效层聚合网络(GELAN)】
13. 【第13篇：YOLOv10——实时端到端物体检测】
14. 【第14篇：YOLOv11——在速度和准确性方面具有无与伦比的性能】
15. 【第15篇（完结）：讨论和未来展望】

---

1 摘要

• 发布日期：2024年2月
• 作者/贡献者：WongKinYiu等
• 论文：YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information
• 代码：https://github.com/WongKinYiu/yolov9
• 主要优缺点：
  • 可编程梯度信息(PGI)+广义高效层聚合网络(GELAN)；
  • 与YOLOv8相比，其出色的设计使深度模型的参数数量减少了49%，计算量减少了43%，但在MS COCO数据集上仍有0.6%的AP改进。

2 改进点

YOLOv9于2024年2月发布，代表了主流YOLO变体的最新进展。YOLOv9拥有两项关键创新：可编程梯度信息（PGI）框架和通用高效层聚合网络（GELAN）。

• 可编程梯度信息（PGI）框架 旨在解决深层神经网络中固有的信息瓶颈问题，并使深度监督机制能够与轻量级架构兼容。通过实施PGI，无论是轻量级还是深层架构都能在准确性上获得显著提升，因为PGI确保了训练过程中可靠的梯度信息，从而增强了架构的学习能力和做出准确预测的能力。

• 通用高效层聚合网络（GELAN） 架构特别设计用于通过高效率和轻量化来提升目标检测任务的性能。GELAN在不同的计算块和深度配置下表现出高性能，使其适合部署在各种推理设备上，包括资源受限的边缘设备。

通过结合上述两个框架（PGI和GELAN），YOLOv9在轻量级目标检测方面取得了显著的进步。

尽管YOLOv9仍处于早期阶段，但它已经在目标检测任务中展现了极强的竞争力，在参数减少和计算效率方面超越了YOLOv8，同时在MS COCO数据集上的平均精度（AP）提高了0.6%。

3 网络架构

下图展示了YOLOv9的网络架构图。