深度学习目标检测：yolov9环境配置，适合0基础小白，超详细

已于 2025-04-09 16:35:52 修改
阅读量5.6k 收藏 72
点赞数 33
文章标签： 深度学习 目标检测 人工智能 YOLO
于 2024-06-19 23:16:17 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_67105081/article/details/139815008
版权

目录

1. 查看电脑状况

2. 安装所需软件

2.1 Anaconda3安装

2.2 Pycharm安装

3. 创建虚拟环境，安装pytorch

3.1 创建虚拟环境

3.2 安装cuda，pytorch

3.2.1 安装cuda

3.2.2 安装pytorch（GPU版）

​编辑

3.3 安装CPU版本

4. 配置yolov9环境

4.1 下载yolov9源码

4.2 安装yolov9所需库

4.3 pycharm打开yolov9

5.  验证环境

1. 查看电脑状况

深度学习的训练对于电脑显卡要求较高，若电脑没有独立显卡（NVIDIA卡）或者是AMD的显卡无法使用GPU进行训练，只可以用CPU进行训练，会慢很多。若不清楚电脑有无显卡可以打开任务管理器，点击性能往下找GPU，就可以看到是否有独立显卡，不清楚是否为独立显卡则搜索型号。

若有独立显卡则安装GPU版本的pytorch，若无独立显卡则安装CPU版本的pytorch。

点击下载训练源码 夸克网盘下载 ，建议先全部转存提前下载，若有需要下载的资源失效，可至公众号获取百度盘链接下载。

 YOLOv9网络结构图，论文必备，无水印图可 微信公众号-笑脸惹桃花 回复“999” 获取。

2. 安装所需软件

推荐安装Anaconda3+Pycharm，会安装或者安装过了则跳过这一步

2.1 Anaconda3安装

Anaconda3由于是国外网站下载较慢，推荐通过清华镜像源安装

Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source MirrorIndex of /anaconda/archive/ | 清华大学开源软件镜像站，致力于为国内和校内用户提供高质量的开源软件镜像、Linux 镜像源服务，帮助用户更方便地获取开源软件。本镜像站由清华大学 TUNA 协会负责运行维护。https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/?C=M&O=Dhttps://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/?C=M&O=D

选择带有Anaconda3...Windows...exe 字样的进行下载，建议从最新版往后边找几个，最新版一般不够稳定。下载完之后打开Anaconda3进行安装，一直点下一步，选Just Me，安装路径可以直接复制粘贴修改到  D:\Anaconda3  ，也可以修改到其他路径，也可以点击网盘下载。

​​

这里建议全选。

2.2 Pycharm安装

安装Pycharm可以直接去官网下载，速度较快，也可以点击网盘下载。

下载 PyCharm：JetBrains 出品的用于数据科学和 Web 开发的 Python IDE现在最新版本的 PyCharm，适用于 Windows、macOS 或 Linux。https://www.jetbrains.com/zh-cn/pycharm/download/?section=windowshttps://www.jetbrains.com/zh-cn/pycharm/download/?section=windows

往下拉下载第二个免费版就可以。下载完之后安装，一直点下一步，遇到选择路径 修改路径到D盘或者其它除C盘，再遇到勾选的选项全部勾选就可以。

​​

3. 创建虚拟环境，安装pytorch

3.1 创建虚拟环境

按下Win键，输入anaconda prompt,打开推荐的应用

​​

默认进入的是base环境，此时需要新建环境，在新建环境之前建议更改默认的pip源和conda源。

更改代码如下，直接输入即可，这里选择更换的是中科大源

conda config --remove-key channels
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes
pip config set global.index-url https://mirrors.ustc.edu.cn/pypi/web/simple

此时新建虚拟环境（需要关闭加速软件），这里创建一个名为yolov9，python版本为3.9的虚拟环境，也可以修改为其他名。

conda create -n yolov9 python=3.9

注意：此时如果报错

UnavailableInvalidChannel: HTTP 404 NOT FOUND for channel anaconda/pkgs/free <https://mirrors.ustc.edu.cn/anaconda/pkgs/free>

The channel is not accessible or is invalid.

You will need to adjust your conda configuration to proceed.
Use `conda config --show channels` to view your configuration's current state,
and use `conda config --show-sources` to view config file locations.

等错误，需要修改.condarc文件的内容，具体路径为：c:\users\用户名\.condarc（找不到请显示隐藏文件）

使用记事本打开，复制下面这一段进去替换掉原本所有的内容，替换完之后保存即可

channels:
  - defaults
show_channel_urls: true
channel_alias: http://mirrors.tuna.tsinghua.edu.cn/anaconda
default_channels:
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

此时再次创建yolov9虚拟环境

conda create -n yolov9 python=3.9

显示如下则正常创建，输入y 并回车

​​创建完之后输入

conda activate yolov9

进入yolov9环境之中，此时有NVIDIA显卡安装GPU版看3.2，其它需要安装CPU版看3.3。

3.2 安装cuda，pytorch

3.2.1 安装cuda

在安装pytorch前需要安装cuda，（若无显卡则跳过）下载cuda前需要先查看显卡支持的CUDA版本最高是多少，按下win+r键，输入cmd，在打开的页面输入：nvidia-smi ，即可查看

​​

上图红框位置显示即为cuda最高支持版本，本教程最高版本达到11.8即可，若没有达到则需要更新显卡驱动。

CUDA Toolkit Archive | NVIDIA Developerhttps://developer.nvidia.com/cuda-toolkit-archive

在这个网站挑选下载或者直接夸克网盘下载或者点此下载。

下载完之后运行安装，建议安装到默认路径，所以C盘需要留有20G以上的存储空间，一直点击下一步，直到出现这个界面，不要点击精简，选择自定义，然后全部勾选再一直下一步即可。

​​

安装完成后可以再次在cmd里输入命令：nvcc -V 查看，如下显示即安装成功

​​安装cudnn

进入cudnn官网，选择合适版本的文件。

cuDNN Archive | NVIDIA Developerhttps://developer.nvidia.com/rdp/cudnn-archive进入后在文件列表中选择cudnn版本与上面cuda安装相匹配的版本。

下载Windows版本的压缩包文件。

下载需要登录，也可以复制下载链接打开迅雷下载，或者点击链接下载下载cudnn。

将得到的压缩文件进行解压，解压后得到下图三个文件夹，全选复制进cuda的文件夹中进行覆盖替换，替换完成后即cudnn安装完成。按照本文教程安装的cuda的文件夹默认在 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8 目录下。

3.2.2 安装pytorch（GPU版）

打开prompt 输入conda activate yolov9进入yolov9环境，之后输入即可安装pytorch,耐心等待安装完成（需要注意关闭加速软件否则会下载失败）

pip install torch==2.0.0+cu118 torchvision==0.15.1+cu118 --extra-index-url https://download.pytorch.org/whl/cu118

 torch及相关库比较大，需要耐心等待下载完之后出现 done 则安装完成，因为是外网，如果下载不下来，可以点此下载torch 夸克网盘下载，然后通过pip install安装本地文件的方式安装，可以参考下图的方式，将torch放入d盘的test文件夹下，通过cd将文件目录跳转，再输入如下指令。（只支持python3.9版本，其余版本无法安装）

pip install torch-2.0.0+cu118-cp39-cp39-win_amd64.whl

耐心等待安装完成后，再输入下面的指令通过pip安装其余库。

pip install torch==2.0.0+cu118 torchvision==0.15.1+cu118 --extra-index-url https://download.pytorch.org/whl/cu118

安装完成如上图所示

3.3 安装CPU版本

有显卡的按照上述流程安装后即可跳过本部分，无显卡则需要按照下述方法进行，

打开prompt ,进入yolov9环境之后，输入如下命令即可安装cpu版本的pytorch

pip install torch==2.0.0 torchvision==0.15.1 torchaudio==2.0.1 --index-url https://download.pytorch.org/whl/cpu

安装完成则可以进行下一步骤。

4. 配置yolov9环境

4.1 下载yolov9源码

yolov9源码地址：

GitHub - WongKinYiu/yolov9: Implementation of paper - YOLOv9: Learning What You Want to Learn Using Programmable Gradient InformationImplementation of paper - YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information - WongKinYiu/yolov9https://github.com/WongKinYiu/yolov9

点进去直接下载代码，找到点击code-> download zip 下载代码。进不去可能需要科学上网，或者点击网盘下载（压缩包内附带yolov9-t-converted.pt和yolov9-s-converted.pt）。

​

下载完成之后解压到D盘或其它容量大的盘文件夹内

4.2 安装yolov9所需库

需要通过anaconda prompt 进入yolov9环境中，按照下图cd到yolov9根目录下，这里替换为自己的文件夹

​

进入yolov9根目录之后，需要通过pip安装所需库，指令如下

pip install -r requirements.txt

耐心等待全部安装完成即可

至此环境安装完成

4.3 pycharm打开yolov9

点击鼠标右键yolov9文件夹通过pycharm打开，打开后需要配置虚拟环境，点击file-settings，点击project：yolov9-main，点击python interpreter，点击右边add....，如果是中文则翻译后点击相应含义的位置。

​​

点击Virtualenv Environment - Existing，点击右边三个点，找到刚才设置的D:\Anaconda3\envs\yolov9\python.exe 路径，之后一直点确定即可，耐心等待环境加载完毕。

​再次进入yolov9源码页面，往下翻找到权重文件，或者 点击网盘下载。

​

点击蓝字下载，可以选择yolov9-t-converted.pt或者yolov9-s-converted.pt，适合性能较低的电脑且效果还可以

5.  验证环境

下载完成后将权重文件复制到yolov9根目录下,此时可以去网上下载一只狗狗的jpg图片，将其放到data/images目录下。

检测环境是否有问题可以运行detect.py，修改方框中为刚下载的权重文件名即可

输出下图即环境正常

 可以顺着路径查看检测后的图片，可爱的阿拉斯加一张~

报错 ImportError: DLL load failed while importing _imaging: 找不到指定的模块，是pillow版本问题导致的错误，输入如下指令降低pillow的版本即可解决此问题。

pip install pillow==8.4.0

如果报错中有numpy相关的语句，如 RuntimeError: Numpy is not available ；compiled using NumPy 1.x cannot be run in NumPy 2.1.2 as it may crash. To support both 1.x and 2.x versions of NumPy, modules must be compiled with NumPy 2.0. 等等，可以将numpy降级，输入如下代码即可解决此类问题。

pip install numpy==1.26.3

YOLOv9训练自己的数据集可以点击下面的链接进行训练。

目标检测：yolov9训练自己的数据集，新手小白也能学会训练模型，一看就会-CSDN博客文章浏览阅读2k次，点赞31次，收藏24次。训练自己的数据集分为4部分，先配置环境，再获取制作自己的数据集，然后修改配置训练，最后验证训练结果。新手小白0基础建议一步一步跟着来，哪里看不懂的或者遇到哪有问题可以评论区交流~_yolov9训练自己的数据集 https://blog.csdn.net/qq_67105081/article/details/142822519有疑问可以评论区交流，关注公众号获取更多资源~

【YOLO系列】YOLOv5超详细解读（源码详解＋入门实践＋改进）
路人贾的博客
03-03 20万+
一文带你详细了解YOLOv5（含YOLO系列论文讲解+源码详解+入门实践+算法改进）
YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
12-30 14万+
Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
YOLOv9最全使用教程与部署
qq_40734883的博客
02-25 1万+
yolov9使用指南
目标检测：yolov9训练自己的数据集，新手小白也能学会训练模型，一看就会
笑脸惹桃花的博客
10-10 4678
训练自己的数据集分为4部分，先配置环境，再获取制作自己的数据集，然后修改配置训练，最后验证训练结果。新手小白0基础建议一步一步跟着来，哪里看不懂的或者遇到哪有问题可以评论区交流~
深度学习环境配置
最新发布
m0_55656412的博客
03-04 1192
本文将系统讲解深度学习开发环境的完整配置链路，涵盖环境隔离、IDE配置、智能辅助工具链整合。以Windows 11为例，文末附常见问题排查手册。结合本人踩过的坑整理出来，倾情推荐！
YOLOv9环境搭建&推理测试
zzq1989_的专栏
03-11 2051
对于CV从业者来说，YOLO系列是个绕不过的经典结构，笔者遥想当年YOLO横空出世的时候，Faster RCNN还是学术界目标检测的翘楚。二阶段检测还是大行其道，不过时至今日，估摸着没有人再提二阶段目标检测的结构了。YOLO系列也从1更新到了9，这新鲜出炉的v9版本，我也来凑个热闹（虽然没有前几年那么热闹了）。OK，让我们开始吧。PS：转换的时候很贴心，没有onnx，自动安装。PS：右上角的自行车检测出来，还是惊艳到我了。oh，no，人生苦短，我选docker。
配置yolov9的虚拟环境
zhou_18772780431的博客
04-25 713
记录自己配置yolov9的环境
yolov9 cpu环境配置
m0_51319412的博客
04-30 534
关于训练部分（如果电脑只有cpu的话建议把参数做一下修改）batch-size 改为1 workers改为0。1.官方下载yolov9 下载好以后记得解压(github进不去的话可以借助于镜像进去，网上可以搜到)9.环境安装完成在pycharm中配置已经安装的环境（在设置里面找）修改名字（运行detect.py出现如下错误）直接复制错误修改。3.使用miniconda 进行环境的创建（管理员模式运行）修改好错误然后再运行 出现如下结果环境配置成功。点击确定然后点击应用和确定环境就找到了。
配置YOLOV9环境并训练自定义数据集
qq_46478901的博客
03-15 5167
2.1数据集：我用了自己的数据集：注意组织数据集的形式，原来的yolo格式的数据格式也能训练（我用的yolo格式，如下）这两个cache不是但注意一下数据集data.yaml注意和其他版本有某些区别，nc一项好像是没了。比如我只有fall一个类，尽可能用绝对路径吧。
YOLOv9配置环境训练自己的数据集（电脑版）
weixin_58404533的博客
03-27 2017
在下载安装好Anaconda的基础上，在电脑上配置YOLOv9的深度学习环境，训练自己的目标检测数据集，找到GPU占用率低的原因。
YOLOv9目标识别——详细记录训练环境配置与训练自己的数据集
知来者逆的博客
03-14 7415
从Yolov9的算法解读和之前模型对比到详细记录模型训练与推理的过程
YoLov9从环境搭建到训练自己的数据，以车牌检测与多标签视网膜疾病的分类为例（非常详细，包括项目源码和模型权重下载、配置运行环境、代码改写、数据集制作、训练、预测和优化）等
nfkjdx的博客
04-07 1700
yolov9实现目标检测与分类
停车场车辆非法停放检测：基于YOLOv5、YOLOv8、YOLOv10的深度学习解决方案
m0_52343631的博客
01-21 493
YOLOv5是由Ultralytics团队开发的一个基于PyTorch的目标检测算法。它通过优化网络结构和训练策略，使得检测模型在速度和精度之间达到了良好的平衡。实时性强：YOLOv5非常适合需要实时检测的场景，如视频流中的停车场监控。准确性高：YOLOv5采用先进的深度学习架构，可以有效处理复杂场景中的车辆检测任务。灵活性：YOLOv5支持多种不同的硬件平台，包括嵌入式设备和云端服务器。
YOLOv9改进策略目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
Snu77的博客
05-13 1万+
Hello，各位读者们好本专栏自开设两个月以来已经更新改进教程50余篇其中包含RepNCSPELAN4、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。同时本人一些讲解视频和包含我所有创新的YOLOv9文档并不能在CSDN上传(所有的创新点都经过我的测试是可用的，得到该文件之后大家可以随意组合使用)，所以会建立群的形式在内上传我的文件和视频我也会在群内不定期和大家交流回答大家问题，同时定期会更新一些文章的创新点(经过我融合测试后的，先到先得)。
一文搞懂YOLO系列目标检测！万字长文（附YOLOv8实操教程）
qq_45591302的博客
06-26 3万+
本文介绍目标检测基础概念，算法发展历史，YOLOV8环境配置，数据集标注，模型评估指标，改进策略。
YOLOv9最详细教程（训练自己数据集、结构介绍、重点代码讲解）(草履虫都能看懂系列)
flpmmpfl的博客
06-04 1万+
帮助训练自己的数据集，了解代码结构，重点文件进行讲解
深度学习环境配置验证（Ubuntu20.04+K80+PyTorch)
qq_35956326的博客
10-10 656
一整晚上安装失败，早上起来换源瞬间装完 开始验证 首先 nvidia-smi 卡都在呢，虽然CUDA Toolkit官方的支持文档里面没写Kepler架构，但是能用 接下来验证pytorch 首先来一句我记住的第一个conda命令 conda env list 接着第二句，， conda activate [name] 验证pytorch是否安装成功:验证pytorch是否安装成功（linux） - 简书 nvcc not found 是cudatoolkit没有..
YOLOV9目标检测-训练、验证、推理
weixin_47151388的博客
04-17 2745
今天的深度学习方法关注的是如何设计最合适的目标函数，使模型的预测结果最接近地面的真实情况。同时，必须设计一个适当的体系结构，以方便获取足够的预测信息。现有方法忽略了一个事实，即输入数据在逐层进行特征提取和空间变换时，会丢失大量的信息。本文将深入研究数据在深度网络中传输时的重要数据丢失问题，即信息瓶颈和可逆函数。我们提出了可编程梯度信息(PGI)的概念，以应对深度网络实现多个目标所需的各种变化。PGI可以为目标任务提供完整的输入信息来计算目标函数，从而获得可靠的梯度信息来更新网络权值。
conda虚拟环境yolo5配置环境
11-22
创建一个基于Conda的YOLOv5（You Only Look Once版本5）虚拟环境并配置它通常涉及到以下几个步骤： 1. **安装Anaconda**： 如果你还没有安装Anaconda，首先需要从官网下载并按照指示安装 Anaconda（https://www.anaconda.com/products/distribution）。 2. **创建新环境**： 打开命令行终端（Windows用户可以使用Anaconda Prompt或PowerShell），然后运行： ``` conda create -n yolo5 python=3.8 # 选择对应YOLOv5所需的Python版本 ``` 这将创建一个名为`yolo5`的新环境，指定Python版本为3.8。 3. **激活新环境**： 创建完环境后，使用： ``` conda activate yolo5 ``` 激活这个新环境。 4. **安装依赖**： YOLOv5项目通常需要TensorFlow、PyTorch及其相关库，运行： ``` pip install torch torchvision cpuonly opencv-python numpy conda install pyyaml cython -c pytorch ``` 如果你需要GPU支持，还需添加`pytorch torchvision cudatoolkit`等包。 5. **克隆和安装YOLOv5**： 下载YOLOv5源码： ``` git clone https://github.com/ultralytics/yolov5.git ``` 切换到项目目录： ``` cd yolov5 ``` 然后在该环境下安装项目： ``` pip install . ``` 6. **验证环境**： 完成以上步骤后，你可以通过运行`python`并导入YOLOv5模块来验证安装是否成功。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

笑脸惹桃花

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值