tecsai的博客

DFL最早在论文Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection中被提及，在YOLOv8中就已经在使用。DFL的作者认为，在很多时候，检测目标的边界并不是一个确切的值，而是一个分布。

PGI是YOLOv9的一大特色。为了丰富网络训练过程中，梯度反馈的路径（主要是梯度反馈宽度），尽量减少在训练过程中的网络信息丢失，作者添加了一个PGI（Programable Gradient Infomation）模块。 PGI模块的引入，从宏观上看，就像是网络新加了一条Detect分支（此处将类似以往YOLOv3/5/8等的3条不同分辨率的head路线称为一个Detect分支）。作者将这一条增加的分支乘坐“辅助可逆分支”，用来产生“可信梯度信息”。

YOLOv9的Loss计算与YOLOv8如出一辙，仅存在略微的差异。多说一句，数据的预处理和导入方式都是一样的。因此如果你已经对YOLOv8了解的比较透彻，那么对于YOLOv9你也只是需要多关注网络结构就可以。YOLOv9本身也是Anchor-Free的，同样采用了解耦头。因此其损失计算的关键同样在于“对齐”，即通过TAL方法实现Ground Truth与Pred grid中的Cell进行对齐，然后计算Loss。

本篇主要针对YOLOv9的结构进行简单的描绘。