YOLOv9教程，赶快学习吧！全网最快！

Yolo v9使用教程全网首发！赶快学习吧！

论文链接：👿 YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information
代码链接：👿 https://github.com/WongKinYiu/yolov9/tree/main

---

同时推荐一下我的项目，正在更新最新的YOLOv9改进！ 最新的YOLO系列模型，YOLOv9改进创新来啦！发论文必备！ 本周末推出YOLOv9创新点项目，目前已有20+创新，预计项目推出时创新点可达到30+！后期更新包含模块、卷积、检测头、损失等改进！ ⭐大家可以搜搜看，这是CSDN最具性价比的YOLO系列改进项目⭐

⭐四月底预计创新点可达80-100+！⭐ ⭐现在入手仅$ 59.9，早入早发论文！⭐ ⭐即将涨价，创新点越多，价格越贵！⭐ 欢迎交流！联系QQ: 2668825911 本项目持续更新，不付费订阅也可关注等每周更新，每周开源1-2篇。

YOLOv9改进专栏|包含卷积、模块、主干等最新改进

---

使用教程

  首先前往官网下载代码与权重文件。

将下载的代码解压，并将预训练权重拷贝到yolov9-main工程下，将权重文件路径和配置文件路径依次填入train脚本中。

创建一个数据集配置文件，包含数据集路径，种类数量，种类名称

 # dataset path (改成你自己的数据集路径)
 # 数据集格式与前几代yolo相同。
train: ./dataset/images/train
val: ./dataset/images/val
test: ./dataset/images/test

# number of classes
nc: 6

# class names
names: ['missing_hole', 'mouse_bite', 'open_circuit', 'short','spur', 'spurious_copper']

复制刚才创建的yaml文件的路径，粘贴到train脚本的data参数中。并将hyp参数的值改为data/hyps/hyp.scratch-high.yaml

data/hyps/hyp.scratch-high.yaml

2024.2.22日官网发布的代码存在bug，将utils工程下loss_tal脚本中的第167行中的p改为p[0]或p[1]，改完能运行。（bug产生的原因是列表导致后面方法错误，具体原因正在读源码！）
运行成功！

配置文件，关注我，后续更新 yolov9结构解读及代码改进！

backbone:
  [
   [-1, 1, Silence, []],  
   
   # conv down
   [-1, 1, Conv, [64, 3, 2]],  # 1-P1/2

   # conv down
   [-1, 1, Conv, [128, 3, 2]],  # 2-P2/4

   # elan-1 block
   [-1, 1, RepNCSPELAN4, [256, 128, 64, 1]],  # 3

   # avg-conv down
   [-1, 1, ADown, [256]],  # 4-P3/8

   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 256, 128, 1]],  # 5

   # avg-conv down
   [-1, 1, ADown, [512]],  # 6-P4/16

   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 7

   # avg-conv down
   [-1, 1, ADown, [512]],  # 8-P5/32

   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 9
  ]

# YOLOv9 head
head:
  [
   # elan-spp block
   [-1, 1, SPPELAN, [512, 256]],  # 10

   # up-concat merge
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 7], 1, Concat, [1]],  # cat backbone P4

   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 13

   # up-concat merge
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 5], 1, Concat, [1]],  # cat backbone P3

   # elan-2 block
   [-1, 1, RepNCSPELAN4, [256, 256, 128, 1]],  # 16 (P3/8-small)

   # avg-conv-down merge
   [-1, 1, ADown, [256]],
   [[-1, 13], 1, Concat, [1]],  # cat head P4

   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 19 (P4/16-medium)

   # avg-conv-down merge
   [-1, 1, ADown, [512]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5

   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 22 (P5/32-large)
   
   
   # multi-level reversible auxiliary branch
   
   # routing
   [5, 1, CBLinear, [[256]]], # 23
   [7, 1, CBLinear, [[256, 512]]], # 24
   [9, 1, CBLinear, [[256, 512, 512]]], # 25
   
   # conv down
   [0, 1, Conv, [64, 3, 2]],  # 26-P1/2

   # conv down
   [-1, 1, Conv, [128, 3, 2]],  # 27-P2/4

   # elan-1 block
   [-1, 1, RepNCSPELAN4, [256, 128, 64, 1]],  # 28

   # avg-conv down fuse
   [-1, 1, ADown, [256]],  # 29-P3/8
   [[23, 24, 25, -1], 1, CBFuse, [[0, 0, 0]]], # 30  

   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 256, 128, 1]],  # 31

   # avg-conv down fuse
   [-1, 1, ADown, [512]],  # 32-P4/16
   [[24, 25, -1], 1, CBFuse, [[1, 1]]], # 33 

   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 34

   # avg-conv down fuse
   [-1, 1, ADown, [512]],  # 35-P5/32
   [[25, -1], 1, CBFuse, [[2]]], # 36

   # elan-2 block
   [-1, 1, RepNCSPELAN4, [512, 512, 256, 1]],  # 37
   
   
   
   # detection head

   # detect
   [[31, 34, 37, 16, 19, 22], 1, DualDDetect, [nc]],  # DualDDetect(A3, A4, A5, P3, P4, P5)
  ]