YOLOv8改进 | 独家创新篇 | 给YOLOv8增加辅助可逆分支结构（PGI,1:1改进）（全网独家创新，附视频讲解）

一、本文介绍

本文给大家带来的是结合最新SOTA模型YOLOv9提出的辅助可逆分支结构（也就是增加辅助训练分支，PGI），该结构改动内容非常大，首先需要修改我们的yaml文件，之后需要修改检测头因为辅助可逆分支需要使用YOLOv9的DualDDetect检测头，之后我们还需要修改损失函数的计算方式以及NMS部分，本文的内容为我根据YOLOv9进行1：1移植，全网独家首发，同时本文的内容为单辅助分支 + 主干分，后面我还会发布双辅助分支 + 主分支的结构，同时针对于小白读者，我也提供了视频讲解（因为本文的修改比较大）所以大家不用担心因为变动比较大从而不会修改的问题，视频内已经介绍的非常详细了。

欢迎大家订阅我的专栏一起学习YOLO！

专栏目录：YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制

专栏回顾：YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备    

目录

一、本文介绍

二、原理介绍​编辑

2.1 可编程梯度信息

2.2 辅助可逆分支

2.3 多级辅助信息

2.4 PGI手撕结构图

三、核心代码

3.1 损失计算的文件夹百度网盘地址

3.2 手动注册的核心代码

3.3 检测头代码

四、3.1章节损失计算的添加教程

4.1 修改一

4.2 修改二

4.3 修改三

4.4 修改四

五、3.2章节代码的添加教程

5.1 修改一

5.2 修改二 

5.3 修改三 

5.4 修改四 

5.5 修改五 

5.6 修改六

5.7 修改七 

六、3.3章节检测头添加教程

6.1 修改一

6.2 修改二 

6.3 修改三 

6.4 修改四 

4.5 修改五

4.6 修改六 

4.7 修改七 

4.8 修改八 

4.9 修改九 

4.9 修改十

七、超参数额外添加 

八、PGI的yaml文件和运行截图

8.1 yaml文件

8.2 运行成功截图

九、全文总结

二、原理介绍

这张图（图3）展示了可编程梯度信息（PGI）及其相关网络架构和方法。图中展示了四种不同的网络设计：

a) PAN (Path Aggregation Network)：这种网络结构主要用于改进特征融合，以提高目标检测的性能。然而，由于信息瓶颈的存在，网络中可能会丢失一些信息。

b) RevCol (Reversible Columns)：这是一种旨在减少信息丢失的网络设计。它通过可逆的列结构来尝试维持信息流通不受损失，但如图中“Heavy Cost”所示，这种结构会增加计算成本。

c) 深度监督：这种方法通过在网络的多个层次中插入额外的监督信号来提高学习的效率和最终模型的性能。图中显示了通过深度监督连接的各个层。

d) 可编程梯度信息 (PGI)：PGI是作者提出的一种新方法（我理解的这种方法就是在前向传播的过程中没有跳级链接），它主要由三个部分组成：
   1. 主分支：用于推理的架构。
   2. 辅助可逆分支：生