随着深度学习技术的发展，目标检测在各个领域得到了广泛的应用。然而，在跨数据集目标检测中，传统的深度学习模型经常面临性能下降的问题。这在农业领域尤其如此，因为农业领域的作物种类繁多，环境复杂多变。现有技术在处理各种场景时仍然面临性能瓶颈。为了解决这些问题，本研究提出了一种基于YOLOv9的轻量级、跨数据集增强的农业领域目标检测方法，命名为Multi-Adapt Recognition-YOLOv9 （MAR-YOLOv9）。对传统的32倍下采样骨干网进行了优化，创新设计了16倍下采样骨干网。引入了更加流线型和轻量级的主干结构，以及创新的特征提取、上采样和连接方法。混合连接策略允许模型灵活地利用来自不同层次的特征。这解决了传统YOLOv9中检测主干部和辅助分支结构导致的训练时间增加和权重冗余的问题，使MAR-YOLOv9在保持高性能的同时，降低了模型的计算复杂度，提高了检测速度，更适合于实时检测任务。在4个植物数据集的对比实验中，MAR-YOLOv9模型的mAP@0.5准确率比7种主流目标检测算法提高了39.18%，比YOLOv9模型提高了1.28%。同时，模型尺寸减小了9.3%，模型层数减少，降低了计算成本和存储需求。此外，MAR-YOLOv9在检测复杂农业图像方面具有显著优势，为农业领域的目标检测任务提供了高效、轻量级和适应性强的解决方案。整理的数据和代码可以通过以下链接访问：https://github.com/YangxuWangamI/MARYOLOv9 。

图1  多种数据集。

图2  MAR-YOLOv9。

图3  主要模块网络。

图4  MTDC-UAV数据集检测可视化结果。

图5  WEDU数据集检测可视化结果。

图6  RFRB和DRPD数据集的检测可视化结果。

图7  目标检测模型的性能和模型尺寸比较。