一种基于YOLOv9的目标检测方法及系统技术方案

本申请涉及图像处理技术领域，具体为一种基于YOLOv9的目标检测方法及系统。通过对YOLOv9模型进行改进，尤其是对特征提取过程中进行卷积结构设计优化以及特征融合过程通过增加注意力模块能够减少模型处理过程中的计算资源，能够解决现有模型对于硬件配置高要求以及提高对于小目标识别的敏感度。

【技术实现步骤摘要】

本申请涉及图像处理，具体为一种基于yolov9的目标检测方法及系统。

技术介绍

1、yolov9是yolo(you only look once)系列的最新版本，它在目标检测领域实现了显著的进步。参阅图1，为发布的yolov9模型的标准结构，在yolov9模型中引入了可编程梯度信息(pgi)和广义高效层聚合网络(gelan)，这两项技术标志着实时目标检测领域的重大进步。pgi通过辅助可逆分支生成可靠的梯度，解决了深层网络中信息丢失的问题，而gelan优化了参数利用率和计算效率，使yolov9能够适应各种计算环境。

2、虽然yolov9在目标检测领域取得了显著的进展，但仍然存在一些缺点和局限性，通过图1可知对于yolov9的网络结构较为复杂，其作为一个大型模型，需要较多的计算资源(如gpu内存和处理器)进行推理，对于资源有限的设备可能不友好。并且对于大型模型在一般物体检测上表现好，但对于较小的目标检测不够敏感，检测效果并不理想。

技术实现思路

1、为了解决
技术介绍
中所述的技术问题，本申请实施例提供一本文档来自技高网...

【技术保护点】

1.一种基于YOLOv9的目标检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于YOLOv9的目标检测方法，其特征在于，方法还包括对所述待检测图像进行尺寸调整，具体包括：通过仿射变换调整所述待检测图像的像素尺寸至目标尺寸，并对调整过的所述待检测图像进行分辨率调整直至符合所述特征提取模块的分辨率要求。

3.根据权利要求1所述的基于YOLOv9的目标检测方法，其特征在于，所述特征提取网络还包括多个卷积层，经过每一个卷积层进行特征提取后的初始特征图进入对应的所述特征提取子模块。

4.根据权利要求3所述的基于YOLOv9的目标检测方法，其特征在...

【技术特征摘要】

1.一种基于yolov9的目标检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于yolov9的目标检测方法，其特征在于，方法还包括对所述待检测图像进行尺寸调整，具体包括：通过仿射变换调整所述待检测图像的像素尺寸至目标尺寸，并对调整过的所述待检测图像进行分辨率调整直至符合所述特征提取模块的分辨率要求。

3.根据权利要求1所述的基于yolov9的目标检测方法，其特征在于，所述特征提取网络还包括多个卷积层，经过每一个卷积层进行特征提取后的初始特征图进入对应的所述特征提取子模块。

4.根据权利要求3所述的基于yolov9的目标检测方法，其特征在于，所述特征提取模块接收经卷积层处理后的特征图并通过1*1卷积层，用于将输入通道数从c1转换到c3；将经过1*1卷积层输出的特征分割成第一特征图和第二特征图，每一个特征图所对应的通道数为c3/2；所述第一特征图、所述第二特征图分别输入至两个特征提取子模块。

5.根据权利要求4所述的基于yolov9的目标检测方法，其特征在于，在所述特征提取模块中还包括与所述特征提取子模块输出连接的1*1卷积层。

6.根据权利要求5所述的基于yol...

【专利技术属性】
技术研发人员：王浩亮，王丽莉，
申请(专利权)人：东莞城市学院，
类型：发明
国别省市：