随着YOLO系列的不断迭代更新，前几天，YOLO系列也迎来了第九个大型号的更新！YOLOv9正式推出了！附上原论文链接。 

arxiv.org/pdf/2402.13616.pdf

        同样是使用MS COCO数据集进行对比比较，通过折线图可看出AP曲线在全方面都要比以往各个版本的要高很多。

        文章提出了可编程梯度信息（Programmable Gradient Information, PGI）的概念以及通用高效层聚合网络（Generalized Efficient Layer Aggregation Network, GELAN）的设计。结合上述两个全新的概念，是的YOLOv9模型相较以往，更好地解决了深度学习模型中的信息丢失问题，特别是在对象检测这类复杂任务中。

        通过结合PGI和GELAN，开发了YOLOv9对象检测模型。该模型在保持轻量级和高效性的同时，显著提升了对象检测任务的准确性mAP等指标，超越了当前最先进的方法，如YOLOv5、YOLOv6、YOLOv7和YOLOv8等。（在此个人认为能确保轻量化的同时实现检测准确率的提升属实不容易）

        全面进行了实验验证，一如既往使用标准的MS COCO数据集，验证YOLOv9的高效与准确率。实验结果不仅展示了YOLOv9在对象检测性能上的显著提升，还包括了对模型参数效率和计算效率的深入分析。此外还结合了消融实验，证明新添加的两种模块无论去除哪个，均会使得最终的准确率下降。

        此外，github作者公开了YOLOv9的源代码，链接如下

YOLOv9源码