YOLOv9(2):YOLOv9网络结构

1. 前言

本文仅以官方提供的yolov9.yaml来进行简要讲解。

讲解之前，还是要做一些简单的铺垫。

Slice层不做任何的操作，纯粹是做一个占位层。这样一来，在parse_model时，ch[n]可表示第n层的输出通道。

Detect和DDetect主要区别还是是否使用分组卷积。

RepConv(Re-Paramterization)老生常谈了，重参化，优化推理效率。

2. 重参化（re-parameter）

在讲YOLOv9的网络结构之前，有必要引入一下“重参化（re-parameter）”技术。重参化技术并不是YOLOv9提出的，相反，已经是一个用的相当广泛的技术。细心地朋友可以发现，其实YOLOv5中已经在fuse_conv中体现了。

重参化是一种从网络推理效率和性能方面出发，优化得到的网络结构。其基本思想是在训练时使用多分支（如多个Conv层），增加梯度反馈路径。在推理时进行融合，减小计算量，提高推理效率。

以Conv+BN为例，我们都了解，卷积层（Conv）实际上是一个y = ax+b的过程。

训练阶段，基本的操作包含两个部分。

Conv:

$x=conv.weight*x+conv.bias$

BN:

$x=bn.\gamma *\frac{x_{i}-bn.mean}{\sqrt{bn.var+bn.\xi }}+bn.\beta$

其中，bn.mean为均值（对应nn.BatchNorm2d中的running_mean），bn.var为方差(对应nn.BatchNorm2d中的running_var)， $bn.\gamma$ 和 $bn.\beta$ 分别对应nn.BatchNorm2d中的weight和bias， $bn.\varepsilon$ 对应nn.BatchNorm2d中的eps。

推理阶段，可将Conv和BN进行相应的合并计算，同时需要将参数进行重新的映射。具体如下。

$x=\frac{bn.\gamma *conv.weight}{\sqrt{bn.var+bn.\varepsilon }}*x+\frac{bn.\gamma *conv.bias}{\sqrt{bn.var+bn.\epsilon }}+bn.\beta$

如上，其中 $\frac{bn.\gamma *conv.weight}{\sqrt{bn.var+bn.\varepsilon }}$ 组成了新的weight， $\frac{bn.\gamma *conv.bias}{\sqrt{bn.var+bn.\epsilon }}+bn.\beta$ 组成了新的bias。

3. ELAN

ELAN（Efficient layer aggregation network）高效层聚合网络，具体的说是一种网络结构设计策略，最早在论文Designing Network Design Strategies Through Gradient Path Analysis（https://arxiv.org/abs/2211.04800）被提出。

简单讲，在论文中，作者认为神经网络结构设计主要分为两种，分别是依据数据路径设计和依据梯度路径设计。

ELAN则是依据梯度路径设计策略进行相关的设计和优化，更具体的讲，ELAN侧重于最大化梯度源，丰富梯度路径。

当然，大家不要将这一部分过分解读，其实在以往的ResNet，CSPNet中，已经在实践这一策略了。

具体大家可以多参考其他博主的资源，如下链接就已经解释的很详细了：https://zhuanlan.zhihu.com/p/598642990?utm_id=0