通过比较550多个基于YOLO的目标检测模型的准确性和延迟数据，研究发现YOLO系列的多种架构在准确性和延迟之间取得了良好的平衡。同时，证明了神经架构搜索中的无成本准确性估计器可以有效预测最优的检测模型。此外，展示了一种与最先进的YOLOv8模型具有竞争力的YOLO架构。

YOLOv9是YOLO系列中最新的版本，具有更快的实时目标检测速度和更高的准确性。它适用于医疗保健、自动驾驶、农业等多个行业。关键特点包括改进的速度、增强的准确性、支持更大数据集和优化的神经网络架构。应用领域包括自动驾驶、视频监控、医疗影像分析、农业和零售。

本文介绍了华为昇腾CANN YOLOV8和YOLOV9的适配过程。首先需要获取YOLOV8的模型文件，并将其转化为.onnx模型。然后在Atlas 500 Pro服务器上进行模型转换。适配代码可以参考开源代码。最后进行编译运行，输出结果为检测到的物体和置信度。适配YOLOV9的过程与YOLOV8类似。

本文研究了深度学习中的信息损失问题，提出了可编程梯度信息（PGI）和广义高效层聚合网络（GELAN）的架构。实验证明，GELAN在目标检测任务上比最新方法实现了更好的参数利用率。PGI适用于各种模型，能够获取完整信息，使得从头开始训练的模型比预训练模型获得更好的结果。