YOLOV9保姆级教程

道心

已于 2024-03-10 17:33:05 修改

阅读量2.1w

点赞数 93

文章标签： YOLO 深度学习人工智能神经网络目标检测

于 2024-02-23 12:16:50 首次发布

本文链接：https://blog.csdn.net/heart_warmonger/article/details/136249119

版权

YOLOv9保姆级教程（个人踩坑无数）----Windows11环境下训练自己的数据集

一、总述
二、YOLOv9代码下载
三、环境配置
四、制作数据集
五、开始训练
六、报错解决
- attributeerror: ‘FreeTypeFont‘ object has no attribute ‘getsize‘

一、总述

这一篇则详细讲解如何配置YOLOv9，在本地电脑或者服务器都可，然后利用自己的数据集进行训练、推理、检测等。
在这里插入图片描述

二、YOLOv9代码下载

YOLOv9是原YOLOv7团队打造，提出了可编程梯度信息（PGI）的概念来应对深度网络实现多个目标所需的各种变化。 PGI可以为目标任务计算目标函数提供完整的输入信息，从而获得可靠的梯度信息来更新网络权值。此外，还设计了一种新的轻量级网络架构——基于梯度路径规划的通用高效层聚合网络（GELAN）。 GELAN的架构证实了PGI在轻量级模型上取得了优异的结果。

论文地址：YOLOv9论文地址
GitHub地址：GitHub代码下载地址

代码下载： 此处直接点击【Download ZIP】下载即可

权重下载： 此处直接选择【YOLOv9-C】和【YOLOv9-E】下载即可
目前【YOLOv9-S】和【YOLOv9-M】无法下载，选择【YOLOv9-C】和【YOLOv9-E】下载即可
注意：目前【YOLOv9-S】和【YOLOv9-M】无法下载，应该是个BUG，相信很快就会得到解决。

在全部下载完成后，将权重文件放到yolov9文件夹内

三、环境配置

在windows系统下打开Anaconda的终端，创造虚拟环境。

① cd到yolov9所在文件夹

cd yolov9所在目录

在这里插入图片描述
② 创建虚拟环境
如下：输入 conda create -n yolov9(代表环境名称) python=3.8 （使用Python的版本），然后创建就可以了

conda create -n yolov9 python=3.8

在这里插入图片描述
环境安装完成后，conda activate yolov9进入刚才创建的环境(这块我设置的为v9,只是一个名称，无伤大雅)

是否安装环境所需基础包，输入y安装即可，安装完成如下图：
在这里插入图片描述

输入下面命令查看是否创建成功

conda env list

在这里插入图片描述

激活进入环境

conda activate yolov9

在这里插入图片描述
注：进入环境后，前面会从base变为yolov9

安装requirements.txt文件，后面加清华的镜像源效果更好。

//不加清华源
pip install -r requirements.txt

//加清华源
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

下载完毕
在这里插入图片描述

此时我们安装的只是基础的CPU状态，如果需要使用GPU训练，需要在pytorch中找到适合自己的cuda版本的torch口令然后下载
1、打开pytorch官网 ：pytorch官网
在这里插入图片描述
2、向下翻动找到适配于自己cuda版本的指令 ：

例如说我的是CUDA 11.7版本，就选择对应的cuda指令
在这里插入图片描述
注：经过测试，当英伟达显卡超过1060系列的，基本上使用这条指令即可（如出现不兼容情况，欢迎留言）

# CUDA 11.7
conda install pytorch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 pytorch-cuda=11.7 -c pytorch -c nvidia

等安装完毕后，gpu的训练环境就基本配置结束。
在这里插入图片描述

四、制作数据集

文件夹格式设置
划分数据集
采用如下代码划分为训练数据集、验证数据集和测试数据集

# 将图片和标注数据按比例切分为 训练集和测试集
import shutil
import random
import os

# 原始路径
image_original_path = "E:/A/lycium_barbarum/datasets/mydata/images/"
label_original_path = "E:/A/lycium_barbarum/datasets/mydata/labels/"

cur_path = os.getcwd()

# 训练集路径
train_image_path = os.path.join(cur_path, "E:/A/lycium_barbarum/datasets/images/train/")
train_label_path = os.path.join(cur_path, "E:/A/lycium_barbarum/datasets/labels/train/")

# 验证集路径
val_image_path = os.path.join(cur_path, "E:/A/lycium_barbarum/datasets/images/val/")
val_label_path = os.path.join(cur_path, "E:/A/lycium_barbarum/datasets/labels/val/")

# 测试集路径
test_image_path = os.path.join(cur_path, "E:/A/lycium_barbarum/datasets/images/test/")
test_label_path = os.path.join(cur_path, "E:/A/lycium_barbarum/datasets/labels/test/")

# 训练集目录
list_train = os.path.join(cur_path, "E:/A/lycium_barbarum/datasets/train.txt")
list_val = os.path.join(cur_path, "E:/A/lycium_barbarum/datasets/val.txt")
list_test = os.path.join(cur_path, "E:/A/lycium_barbarum/datasets/test.txt")

train_percent = 0.8
val_percent = 0.1
test_percent = 0.1


def del_file(path):
    for i in os.listdir(path):
        file_data = path + "\\" + i
        os.remove(file_data)


def mkdir():
    if not os.path.exists(train_image_path):
        os.makedirs(train_image_path)
    else:
        del_file(train_image_path)
    if not os.path.exists(train_label_path):
        os.makedirs(train_label_path)
    else:
        del_file(train_label_path)

    if not os.path.exists(val_image_path):
        os.makedirs(val_image_path)
    else:
        del_file(val_image_path)
    if not os.path.exists(val_label_path):
        os.makedirs(val_label_path)
    else:
        del_file(val_label_path)

    if not os.path.exists(test_image_path):
        os.makedirs(test_image_path)
    else:
        del_file(test_image_path)
    if not os.path.exists(test_label_path):
        os.makedirs(test_label_path)
    else:
        del_file(test_label_path)


def clearfile():
    if os.path.exists(list_train):
        os.remove(list_train)
    if os.path.exists(list_val):
        os.remove(list_val)
    if os.path.exists(list_test):
        os.remove(list_test)


def main():
    mkdir()
    clearfile()

    file_train = open(list_train, 'w')
    file_val = open(list_val, 'w')
    file_test = open(list_test, 'w')

    total_txt = os.listdir(label_original_path)
    num_txt = len(total_txt)
    list_all_txt = range(num_txt)

    num_train = int(num_txt * train_percent)
    num_val = int(num_txt * val_percent)
    num_test = num_txt - num_train - num_val

    train = random.sample(list_all_txt, num_train)
    # train从list_all_txt取出num_train个元素
    # 所以list_all_txt列表只剩下了这些元素
    val_test = [i for i in list_all_txt if not i in train]
    # 再从val_test取出num_val个元素，val_test剩下的元素就是test
    val = random.sample(val_test, num_val)

    print("训练集数目：{}, 验证集数目：{}, 测试集数目：{}".format(len(train), len(val), len(val_test) - len(val)))
    for i in list_all_txt:
        name = total_txt[i][:-4]

        srcImage = image_original_path + name + '.jpg'
        srcLabel = label_original_path + name + ".txt"

        if i in train:
            dst_train_Image = train_image_path + name + '.jpg'
            dst_train_Label = train_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_train_Image)
            shutil.copyfile(srcLabel, dst_train_Label)
            file_train.write(dst_train_Image + '\n')
        elif i in val:
            dst_val_Image = val_image_path + name + '.jpg'
            dst_val_Label = val_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_val_Image)
            shutil.copyfile(srcLabel, dst_val_Label)
            file_val.write(dst_val_Image + '\n')
        else:
            dst_test_Image = test_image_path + name + '.jpg'
            dst_test_Label = test_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_test_Image)
            shutil.copyfile(srcLabel, dst_test_Label)
            file_test.write(dst_test_Image + '\n')

    file_train.close()
    file_val.close()
    file_test.close()

if __name__ == "__main__":
    main()

制作data.yaml文件
新建yaml文件，其中yaml文件与YOLOV8类似


train: E:/A/lycium_barbarum/datasets/images/train # train images (relative to 'path') 128 images
val: E:/A/lycium_barbarum/datasets/images/val # val images (relative to 'path') 128 images
test: E:/A/lycium_barbarum/datasets/images/test # test images (optional)

nc: 2

# Classes
names: ['immaturate', 'mature']

五、开始训练

使用PyCharm打开yolov9文件夹，并将环境转为刚建立的yolov9虚拟环境环境
在这里插入图片描述

首先更改小错误，打开utils/loss_tal.py文件，到第167行，将p改为p[0]
在这里插入图片描述

其次打开trian.py文件，更改如下几个位置：
在这里插入图片描述
–weights ：此处更改为yolov9-c.pt的绝对路径
–cfg ：此处更改为yolov9-c.yaml的绝对路径
–data ：此处更改为data.yaml的绝对路径 ##上面4-3的data.yaml文件
–hyp ：此处更改为data/hyps/hyp.scratch-high.yaml
原本是data/hyps/hyp.scratch-low.yaml 但该文件内并未找到，，，猜测为YOLOv9作者调试过程中的小疏忽
–project ：此处更改为训练后文件保存的绝对路径
个人爱好，放源文件夹下太占地方，可不更改

最后开启正式训练：
在trian.py文件下右键【run ‘train’】
在这里插入图片描述

运行正常
在这里插入图片描述

六、报错解决

attributeerror: ‘FreeTypeFont‘ object has no attribute ‘getsize‘

这是因为安装了新版本的 Pillow (10)，pip install tf-models-official删除了该getsize 功能，降级到 Pillow 9.0.1 解决了该问题

# 降低版本
pip install Pillow==9.0.1

如有问题，欢迎大家一起交流，不胜感激！！！

道心

关注

93
点赞
踩
480

收藏

觉得还不错? 一键收藏
85
评论
YOLOV9保姆级教程

yolov9环境搭建及运行（保姆级教程）
复制链接

扫一扫