YOLOv9模型在多个方面进行了改进,根据搜索结果,以下是一些主要的改进点:
1. **可逆函数角度的分析**:YOLOv9从可逆函数的角度理论上分析了现有的CNN架构,基于这种分析,设计了PGI(可编程梯度信息)和辅助可逆分支,取得了优秀的结果。
2. **PGI组件**:PGI主要包括主分支、辅助可逆分支和多级辅助信息。PGI推理过程仅使用主分支,因此不需要任何额外的推理成本。
3. **GELAN模块**:YOLOv9提出了新的网络架构GELAN(广义高效层聚合网络),它综合考虑了轻量级、推理速度和准确度,可以使用任何计算块作为基础Module。
4. **样本匹配和损失函数**:YOLOv9使用TaskAlign样本匹配,分类损失采用BCE Loss,回归损失采用DFL Loss加CIoU Loss,这些改进有助于提高检测性能。
5. **性能提升**:YOLOv9在MS COCO数据集上的性能在所有方面都大大超过了现有的实时目标检测器,显示出速度和精度上的显著提升。
6. **卷积改进**:YOLOv9在卷积方面进行了改进,例如DCNv4(Deformable Convolution v4)能够实现更快的收敛、更高的速度和更高性能。
7. **引入新技术**:YOLOv9使用可编程梯度信息(PGI)技术来改进不同模型大小和复杂性的训练,解决了不可靠梯度的问题。
8. **效率、准确性和适应性的提高**:YOLOv9引入了开创性技术,如PGI和GELAN,这标志着实时目标检测领域的重大进步,提高了模型的效率、准确性和适应性。