【模型复现】自制数据集上复现刚发布的最新 yolov9 代码

---

Code 链接: YOLOV9
Paper 链接: YOLOV9: Learning What You Want to Learn Using Programmable Gradient Information

1. 环境安装

# 创建环境
conda create -n yolov9 python=3.7

# 激活环境
conda activate yolov9 

# torch 安装
# 本机 CUDA 为 11.8，故安装了符合要求的 pytorch==1.13，这里需要自行根据 CUDA 版本安装适配的 torch 版本
pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu117

# pip 包
cd yolov9
pip install -r requirements.txt

2. 数据准备

• 准备 yolo 格式的训练数据，数据集的文件结构为：

  my_datasets/
  ├─train.txt
  ├─val.txt
  ├─images
  │	├──train
  │	│	├──xxx.jpg		
  │	│	└──xxx.jpg		
  │	└──val
  │		├──xxx.jpg		
  │		└──xxx.jpg	
  └──labels
  	├──train
  	│	├──xxx.txt	
  	│	└──xxx.txt			
  	└──val
  		├──xxx.txt			
  		└──xxx.txt	
  

3. 模型复现

3.1 模型文件修改

• 在 yolov9/models/detect 路径下选择 yolov9-c.yaml 文件，修改 nc 为训练的标签数量
  

3.2 数据文件修改

• 在 yolov9/data 路径下新建 my_datasets.yaml 文件，以路径下的 coco.yaml 为标准进行参数配置，
  • 修改 path 为数据存储路径
  • 修改 names 为对应的标签名
    

3.3 预训练权重下载

• 在 README.md 文件中点击下述链接即可下载对应的模型权重文件
  
• 注意：截止目前只支持 C 和 E 版本的权重下载，S 和 M 版本预训练权重尚未发布！！！

3.4 训练超参数配置

• 在 yolov9 路径下进入 train_dual.py 文件进行超参数配置，常用需修改参数如下：
  • weights：预训练权重路径
  • cfg：模型配置文件路径
  • data：数据配置文件路径
  • epoches：训练 epoch 数量
  • batch-size：训练 batch-size 数量
  • imgsz：图片大小
  • optimizer：优化器
• 训练中按需进行超参数配置
  

3.5 模型训练

• 单卡训练指令

  python train_dual.py
  

• 多卡训练指令

  python -m torch.distributed.launch --nproc_per_node 8 train_dual.py
  

• 在终端中运行训练命令，若看到下述界面，即成功复现！！！
  

4. 模型验证

4.1 验证超参数配置

• 在 yolov9 路径下进入 val_dual.py 文件进行超参数配置，常用需修改参数如下：
  • data：数据配置文件路径
  • weights：训练完成的 best.pt 权重路径
  • batch-size：验证 batch-size 数量
  • imgsz：图片大小
  • task：验证数据集选择，如 val 或 test
• 验证中按需进行超参数配置
  

4.2 训练效果验证

• 单卡验证指令

  python val_dual.py
  

• 多卡验证指令

  python -m torch.distributed.launch --nproc_per_node 8 val_dual.py
  

• 在终端中运行验证命令，若看到下述界面，即成功验证！！！
  

5. 模型推理

5.1 推理超参数配置

• 在 yolov9 路径下进入 detect.py 文件进行超参数配置，常用需修改参数如下：
  • data：数据配置文件路径
  • weights：训练完成的 best.pt 权重路径
  • batch-size：验证 batch-size 数量
  • imgsz：图片大小
  • task：验证数据集选择，如 val 或 test
• 推理中按需进行超参数配置
  

5.2 模型推理

• 单卡推理指令

  python detect.py
  

• 多卡推理指令

  python -m torch.distributed.launch --nproc_per_node 8 detect.py
  

• 在终端中运行推理命令，若看到下述界面，即成功推理！！！
  

• 可进入保存路径进行推理图片查看，推理示例如下：
  

6. 踩坑记录

• 报错：AttributeError: ‘list’ object has no attribute ‘device’
  
• 解决方法：
  
  • 修改 utils/general.py 脚本中第 903 行，将 prediction = prediction[0] 修改为 prediction = prediction[0][1] 即可.