yolov9从头开始训练

yolov9从头开始训练

一、准备数据集

数据集相关文件存放布局如下

yolov9-datasets
├── train
│ ├── images
│ │ ├── image.jpg
│ │ ├── ······
│ └── labels
│ ├── image.txt
│ ├── ······
├── valid
│ ├── images
│ │ ├── image.jpg
│ │ ├── ······
│ └── labels
│ ├── image.txt
│ ├── ······
└── test
├── images
│ ├── image.jpg
│ ├── ······
└── labels
├── image.txt
├── ······

我们通常将数据集划分为训练集（train set）、验证集（validation set）和测试集（test set），如上图所示，但不一定三个集合都需要准备，根据你得需求来。

训练集：

用于训练模型的数据集。模型通过训练集中的样本进行学习和参数调整，以优化其性能，训练集是必需的。

验证集：

用于选择模型的超参数和进行模型选择的数据集。超参数是指在训练过程中无法从数据中学习的参数，例如学习率、正则化项的权重等，通过在验证集上评估不同超参数设置和模型架构的性能，可以选择表现最好的模型并进行模型选择。

因此，如果你是做实际应用，那么这个集合也必须加上，否则会造成过拟合。

测试集：

用于最终评估模型性能的数据集。测试集是模型最后才能接触到的数据，用于模拟模型在实际应用中的性能。

在模型选择和超参数调优完成后，使用测试集对模型进行最终评估，以了解模型的泛化能力和性能。这个集合并不是必须的，它只是最终评估模型的泛化性能用，并不像前两个数据集合那样会对训练过程产生影响。

所以，如果不需要将泛化性能以具体数据显现出来，那么这部分可以删除。

二、环境准备

项目地址：WongKinYiu/yolov9: Implementation of paper - YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information (github.com)

首先将yolov9的整个项目文件夹下载下来，放在你喜欢的地方，然后使用命令行进入项目的目录内，接着进行下面的步骤：

（1）虚拟环境

使用依次下列命令创建一个虚拟环境并激活，请确保你的系统已安装好anaconda，可以使用conda命令

conda create -n yolov9 python=3.11 -y
conda activate yolov9

（2）GPU环境

首先使用【nvidia-smi】命令查看GPU的CUDA版本，如下图所示

Pytorch官网：Start Locally | PyTorch

打开pytorch官网，找到pytorch安装命令，其中CUDA版本（一般）来说需要小于等于上图中显示的版本，二般情况我不管，如下图所示：

安装完成后，检验环境是否可用，依次运行以下命令

python
import torch
torch.cuda.is_available()

如果命令行返回了True则表示可用，否则不可用，不可用则换pytorch版本，现在我默认可用了，如下所示，返回了True：

(yolov9) root@7l13t4gko7nqs-0:/17106# python
Python 3.11.8 (main, Feb 26 2024, 21:39:34) [GCC 11.2.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch
>>> torch.cuda.is_available()
True

（3）项目环境

进入yolov9主目录后，运行以下代码，完成最后一个环境的安装：

pip install -r requirements.txt

三、配置参数文件

（1）数据集配置文件

首先在【yolov9-main/data】目录下，创建一个后缀名为yaml的文件，文件名取决于你，比如我使用的是YOLOv9-GELAN模型，因此我取名为【YOLOv9-GELAN.yaml】。

该文件内容如下，第1，2，3行分别是训练集，验证集和测试集的图片所在文件夹的路径，names下面是类别索引和类别名的映射。需要注意的是此处类别和序号的对应要与你标注数据集时，类别的顺序一致，否则将引发错误。

train: /17106/Pengcaiping/datasets/recombination/train/images
val: /17106/Pengcaiping/datasets/recombination/valid/images
#test:
names:
0: paper
1: plastic
2: metal
3: clothing
4: other

（2）参数配置文件

首先在【yolov9-main/models/detect】目录下（假设你也是做目标检测），打开【gelan.yaml】进行编辑，该文件内容如下：

# YOLOv9

# parameters
nc: 5  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
#activation: nn.LeakyReLU(0.1)
#activation: nn.ReLU()

# anchors
anchors: 3

# gelan backbone
backbone:
省略一千字

仅修改类别数量，即【nc】后面的数字，改成你的类别数量，比如我有5个类别，所以填了5。

（3）训练文件修改

打开主目录下【train.py】文件，调到下图所示位置，然后进行参数修改：

①填我们之前配置好的参数文件的路径

②填我们之前配置好的数据集配置文件的路径

③由于yolov9刚发布这里需要修改为【data/hyps/hyp.scratch-high.yaml】才能运行，否则会报错，如果后续修复了，读者可提醒我修改此处。

④训练轮次，根据你的硬件性能，数据集大小等来决定要设置为多少，一般来说不要太多，因为太多可能会过拟合。

⑤batch-size是一次同时处理的样本数量，如果你GPU性能可以上天，显存可以下地那么可以调大一下，目前我设置为64，输入单样本大小为$480\times 640$，消耗显存45G；如果显存小就调小点。

四、训练

在配置好的环境中，运行以下代码开始从0训练

python train.py

五、最后的一点话

本数量，如果你GPU性能可以上天，显存可以下地那么可以调大一下，目前我设置为64，输入单样本大小为$480\times 640$，消耗显存45G；如果显存小就调小点。

四、训练

在配置好的环境中，运行以下代码开始从0训练

python train.py

五、最后的一点话

时过境迁，当读者你看到此教程时，可能距离作者收笔此文相去已久，若未能解决你的问题，作者深感抱歉。若读者发现某些地方已经不再适合当下，可以私聊或者评论区告知，我会及时进行修改！