1.概述 

     

      在逐层进行特征提取和空间转换的过程中，会损失大量信息，例如图中的马在建模过程中逐渐变得模糊，从而影响到最终的性能。YOLOv9尝试使用可编程梯度信息PGI解决这一问题。

        具体来说， PGI包含三个部分，（1）主干分支（1）辅助可逆分支。（2）多级辅助信息。其核心思想通俗来说，就是通过引入辅助梯度分支计算损失和梯度，从而降低信息逐层建模中的损失。需要说明的是，辅助梯度分支只在训练中参与计算损失，而不在推理中使用。

2. 主干分支

        主干分支即yolo系列的PANet.

3.辅助可逆分支

        辅助可逆分支提供了一种监督机制，能够提供梯度信息，保证主分支信息建模的正确性和有效性。此外，由于可逆分支只在训练中使用，能够有效保证推理时间。

4.多级辅助信息

        在进行目标检测的过程中，我们往往会使用特征金字塔。引入辅助可逆分支后，80*80尺度的浅层特征可能会受到引导，学习小物体检测所需的特征，此时系统将其他大小的物体的位置视为背景。然而，上述行为会导致深层特征金字塔丢失预测目标对象所需的大量信息。多级辅助分支，就是告诉三层特征，“你们都需要接收到所有关于目标对象的信息，不管是小目标、中目标和大目标”。

5.Generalized ELAN

        YOLOv9也对yolov7的特征提取模块进行了优化，其核心思想还是yolo一直以来的csp思想，这方面与yolov8完全一致。

                

        6.消融实验

                首先，作者对YOLOv9的特征提取模块进行了消融实验，当然是YOLO系列的CSP模块表现得更好。

        

        然后作者对GELEN的深度和CSP模块的深度做了消融，发现网络对这方面的参数不敏感。

        以及PGI在backbone和neck的设置