ubuntu20.04部署yolov9并训练自己的数据集

一，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。

顺便look一下yolo的创作历程：

论文地址：YOLOv9论文地址
GitHub地址：GitHub代码下载地址

先将上面代码下载下来，然后下载自己想要的权重（我下载的是最后两个yolov9-c和yolo9-e）

然后将权重文件放在下载好的yolov9里面

二，环境配置

创建conda环境（名称我用的是yolov9，可换自己的）

conda create -n yolov9 python=3.8

在yolov9下打开终端并激活环境

conda activate yolov9

然后安装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

等待安装完成即可。

三，训练自己的数据集

首先在自己的yolov9文件里面创建一个datasets文件，并将图片和标签放入mydata中

以下是文件夹格式：

（里面的三个txt文件后面划分数据集会自动生成）

以下是划分数据集的代码（只需要修改成你们自己的路径即可）

import shutil
import random
import os

# 原始路径
image_original_path = "/home/wuyapeng/yolov9/datasets/mydata/images/"
label_original_path = "/home/wuyapeng/yolov9/datasets/mydata/labels/"

cur_path = os.getcwd()

# 训练集路径
train_image_path = os.path.join(cur_path, "/home/wuyapeng/yolov9/datasets/images/train/")
train_label_path = os.path.join(cur_path, "/home/wuyapeng/yolov9/datasets/labels/train/")

# 验证集路径
val_image_path = os.path.join(cur_path, "/home/wuyapeng/yolov9/datasets/images/val/")
val_label_path = os.path.join(cur_path, "/home/wuyapeng/yolov9/datasets/labels/val/")

# 测试集路径
test_image_path = os.path.join(cur_path, "/home/wuyapeng/yolov9/datasets/images/test/")
test_label_path = os.path.join(cur_path, "/home/wuyapeng/yolov9/datasets/labels/test/")

# 训练集目录
list_train = os.path.join(cur_path, "/home/wuyapeng/yolov9/datasets/train.txt")
list_val = os.path.join(cur_path, "/home/wuyapeng/yolov9/datasets/val.txt")
list_test = os.path.join(cur_path, "/home/wuyapeng/yolov9/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 = os.path.join(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 = list(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)
    val_test = [i for i in list_all_txt if i not in train]
    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 = os.path.join(image_original_path, name + '.jpg')
        srcLabel = os.path.join(label_original_path, name + ".txt")

        if i in train:
            dst_train_Image = os.path.join(train_image_path, name + '.jpg')
            dst_train_Label = os.path.join(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 = os.path.join(val_image_path, name + '.jpg')
            dst_val_Label = os.path.join(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 = os.path.join(test_image_path, name + '.jpg')
            dst_test_Label = os.path.join(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()

接下来制作data.yaml文件

train: /home/wuyapeng/yolov9/datasets/images/train
val: /home/wuyapeng/yolov9/datasets/images/val
test: /home/wuyapeng/yolov9/datasets/images/test 

nc: 2 #换成你自己的类别数量
names: ['one','two']#换成自己的类别名

然后可以用pycharm或者viscode打开yolov9文件（不打开也可以，直接在终端运行即可）

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]

其次打开trian.py文件，更改如下几个位置：

–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（首先去yolov9/models/detect/yolov9-c.yaml修改类别数nc）
–data ： 此处更改为data.yaml的绝对路径 ##上面的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）

最后保存修改后，开启正式训练：

在终端运行

python train.py

最后训练完成

注意！！！如果中途报错了，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

over！！！