【重读经典】YOLO的进化之路（下）

YOLOv9

和 YOLOv4/v7 一脉相承的作品，但是 Anchor-Free。

PGI 可编程梯度信息

全称 Programmable Gradient Information，这是一个辅助监督框架，目的是解决深度网络逐层传播的信息损失问题。

PGI 包含 3 个主要组件：主分支，辅助可逆分支，多级辅助信息。在推理过程中只用到主分支，无需额外推理成本。

辅助可逆分支，确保在计算目标函数时保留完整的输入信息，从而生成可靠的梯度来更新网络权重。

多级辅助信息用于处理深度监督造成的错误累积问题。

GELAN 广义高效层聚合网络

专为配合 PGI 而设计的 Backbone 网络结构，仅只用标准卷积算子。

类 ELAN 结构的设计核心是优化最短梯度路径，而不是增加网络深度，

作者将 CSP 和 ELAN 思想结合起来，还支持 ResNet 和 DarkNet 的灵活替换，这个模块的设计目的是在不增加计算复杂度的情况下提升特征提取能力，如何不增加计算复杂度？答曰：增加更多跳连。

YOLOv10

这篇论文彻底消除推理时对 NMS 的依赖，因此号称第一代端到端 YOLO。无 NMS 在工程上的最大意义是：少了 CPU 上的 NMS 后处理，整个推理流程完全在 GPU 上完成、

很多网络都号称自己是端到端，这词是不是被滥用了？并非如此，并没有规定端到端必须是哪两端，图像都是输入端，这没有问题。我输出端可以是 2D BBox，3D BBox，Action，只要我不经后处理可以直接得到这些结果，那我就可以说自己是端到端。

Consistent Dual Assignments

检测头的 CDA 双标签分配是实现 NMS-Free 的关键。

在训练阶段，分成 2 个阶段，One-to-Many 和 One-to-One 共同训练。如果只有一个O2O的话，监督信号会很弱，训练精度不会太高且难以收敛。

在推理阶段，仅保留 One-to-One，不再需要NMS。

这不是两个独立的检测器，大部分参数是共享的。

One-to-Many Assignment 负责通过密集梯度信息提升训练效果，和之前的 YOLO 方式一致，会产生重复框。

One-to-One Assignment 借鉴了 DETR 的思想，负责提供唯一输出，一个 GT 只匹配一个预测，其余的都是负样本。

上图（b）展示了当 O2O 和 O2M 使用相同度量公式时，两个分支对正样本的判断高度一致。橙色是使用相同打分公式，蓝色使用不同打分公式。

两个 Head 的输出根据打分排序，打分公式是：

m(\alpha, \beta) = s \cdot p^{\alpha} \cdot IoU(\hat{b}, b)^{\beta}

其中：

s：空间先验，确定 Anchor 是否在 GT 中心区域
p：classification score
IoU：定位质量
\alpha,\beta：权重

权重相同时，可以认为是 Consistent；权重不同时，为 Inconsistent。

Holistic Efficiency-Accuracy Design

整体效率重设计，主要是做了一些结构性创新

Spatial–Channel Decoupled Downsampling 将之前的 k3s2 的卷积层拆成通道调整和空间压缩两部分以减少冗余计算。

此前的 YOLO 的 Backbone 和 Neck 使用大量重复模块的堆叠来构建，Rank-Guided Block Design 通过计算每个 Layer 的内在秩（Intrinsic Rank），分析发现深层的 Rank 明显低，从信息论的角度出发，低秩意味着信息冗余度更高。具体方法是将每个阶段基本块中的最后一个卷积层的权重做 SVD 分解，统计大于阈值的奇异值的个数。LoRA[3] 的产生也是基于这个思路。

最终这些低秩的 Layer 会被替换为 CIB（BiC：你谁？）

Large-Kernel Convolution 用更大卷积核扩大感受野，但是在目标检测网络中，大卷积核不能乱用，主要是参数量会爆炸，所以一般采用小卷积核串联的方式。YOLOv10 将 7 × 7 的卷积核放在了深层的 CIB 模块中，开销相对可控，也避免直接大核模糊掉浅层的细粒度特征。

作者认为：分类任务比定位任务更容易，因此分类分支可以进一步轻量化，提出了 Lightweight Classification Head 进一步轻量化分类的 Head。

Loss Function

继承了 YOLOv8 的损失，只不过 O2O 和 O2M 俩头分别计算损失。

分类损失使用上面的打分公式生成软标签

YOLOv11

Ultralytics 又一无论文《力作》……

官网并未找到架构图，图摘自 CSDN [5]。

C3K2

继承自 YOLOv8 的 C2f，但在内部新增了 C3K 模式，可用 k 指定卷积核大小。

模块将输入特征分成两部分，一部分通过普通卷积操作直接传递，另一部分走 C3K 或 BottleNeck，最后将两部分特征 Concatenate。

C2PSA

Partial Self-Attention 局部自注意力模块。在 C2 内部嵌入，在整体结构上，C2PSA 被嵌入在 Backbone 最后一个 C3K2之后。

PSABlock 引入通道自注意力，对特征图一部分通道做 Self-Attention，另一部分走 Shortcut。

DWConv

DepthWise Convolution 深度卷积，是轻量化 CNN 的核心算子。

具体做法是逐通道卷积，每个通道由对应的卷积核处理。

特性	Standard Convolution	DepthWise Convolution
卷积核形状	(C_{out}, C_{in}, K, K)	(C_{in}, 1, K, K)
跨通道操作	是，每个输出通道融合所有输入通道	否，每个通道独立处理
输出通道数	C_{out}	C_{in}
参数量	C_{in} \cdot K^2 \cdot C_{out}	C_{in} \cdot K^2