YOLOv9 简介

YOLO v9 是目前表现最佳的目标检测器之一，被视为现有 YOLO 变体（如 YOLO v5、YOLOX 和 YOLO v8）的改进版本。

YOLOv9 在实时目标检测领域取得了重大进展，引入了诸如可编程梯度信息（PGI）和通用高效层聚合网络（GELAN）等开创性技术。该模型在效率、准确性和适应性方面均表现出色，在 MS COCO 数据集上树立了新的基准。YOLOv9 项目由独立的开源团队开发，是在 Ultralytics YOLOv5 提供的强大代码库基础上进行构建，展示了 AI 研究社区的协作精神。

一、YOLOv9 简介

在追求最佳实时目标检测的道路上，YOLOv9 凭借其创新的方法脱颖而出，克服了深度神经网络中固有的信息丢失挑战。通过集成 PGI（可编程梯度信息）和多功能 GELAN（通用高效层聚合网络）架构，YOLOv9 不仅增强了模型的学习能力，还确保了在整个检测过程中保留关键信息，从而实现了卓越的准确性和性能。

YOLOv9 的核心创新

YOLOv9 的进步深深植根于解决深度神经网络中信息丢失挑战的问题上。其设计以信息瓶颈原理和可逆函数的创新使用为核心，确保 YOLOv9 保持高效性和准确性。

二、YOLO v9 目标检测器的特性：

与其前身相比，YOLO v9 目标检测器的关键特性如下：

提升准确性：YOLO v9 预计将在目标检测方面提供比其前代版本更高的准确性。这一改进可以带来更加精确和可靠的检测结果。

更快的速度和更高的效率：YOLO v9 可能进行了优化，使其能够在保持高准确性的同时实现更快的处理速度。这对于实时应用或计算资源有限的情况至关重要。

增强的目标分类能力：YOLO v9 可能在目标分类能力方面进行了改进，从而能够更精确、更详细地分类检测到的目标。

三、各种 YOLO v9 模型及性能：

Yolov9t：专为速度和效率优化的轻量级预训练 YOLO v9 模型。
Yolov9s：小型预训练 YOLO v9 模型，在速度和准确性之间取得平衡，适用于需要实时性能和良好检测质量的应用。
Yolov9m：中型预训练 YOLO v9 模型，以适中的计算需求提供更高的准确性。
Yolov9c：紧凑型预训练 YOLO v9 模型，以计算强度为代价，为高端系统提供最高的检测准确性。
Yolov9e：扩展型 YOLOv9 模型是最准确的，但需要大量的计算资源，非常适合于优先考虑检测性能的高端系统。

 四、YOLOv8 与 YOLOv9 对比：

在 COCO 数据集上训练的模型的 mAP（平均精度均值）是在 IoU（交并比）为 0.5 到 0.95 的范围内计算得到的平均值。

Model	输入图像分辨率	Size (MB)	mAP
yolov8n	640 x 640	10.7	37.3
yolov8s	640 x 640	37.2	44.9
yolov8m	640 x 640	85.4	50.2
yolov8l	640 x 640	143.3	52.9
yolov8x	640 x 640	222.7	53.9

Model	输入图像分辨率	Size (MB)	mAP
Yolov9t	640 x 640	7.5	38.3
Yolov9s	640 x 640	25	46.8
Yolov9m	640 x 640	67.2	51.4
Yolov9c	640 x 640	85	53.0
Yolov9e	640 x 640	190	55.6

五、小结：

YOLOv9 作为 YOLO 系列的最新成员之一，在目标检测领域展现出了强大的实力和潜力。

YOLOv9 在实时目标检测领域的发展中占据重要地位，在效率、准确性和适应性方面均带来了显著改进。通过采用 PGI（可编程梯度信息）和 GELAN（通用高效层聚合网络）等创新解决方案来应对关键挑战，YOLOv9 为该领域的未来研究与应用树立了新的先例。

随着技术的不断进步和应用场景的不断拓展，将在更多领域发挥重要作用并推动相关技术的发展。

                                                                                 老徐，仲秋，2024/9/17