YOLOv9：GELAN + PGI 可编程梯度信息流动1 信息瓶颈：为什么深度网络会"失忆"1.1 从 YOLOv5 到 YOLOv9 的演进脉络1.1.1.1 实时检测的精度天花板我们回顾 YOLO 系列的发展轨迹时，会发现一个有趣的现象：从 YOLOv5 到 YOLOv8，网络结构越来越深，参数量越来越大，但精度的提升却逐渐放缓。这背后隐藏着一个被长期忽视的问题——信息瓶颈。想象一条水管，水流从入口进入，经过层层弯道和阀门后到达出口。如果管道太长，水压必然衰减。深度神经网络也是如此：输入图像携带的丰富信息（边缘、纹理、语义），在经过几十层卷积变换后，大量细节在 forward 传播中丢失；而在 backward 传播时，梯度信号同样层层衰减，早期层收到的更新指令变得模糊而微弱。YOLOv9 的 authors 意识到，单纯堆叠更复杂的模块、设计更精巧的损失函数，都无法从根本上解决这个问题。因为如果网络架构本身在信息传递上存在结构性缺陷，再优秀的优化目标也无法弥补。1.1.1.2 信息瓶颈问题的浮
