YOLOv9 - 在自定义数据集上进行目标检测 | 计算机视觉项目

最新推荐文章于 2024-10-08 13:17:31 发布
最新推荐文章于 2024-10-08 13:17:31 发布
阅读量626 收藏 19
点赞数 9
文章标签： 计算机视觉 目标检测 人工智能
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/weixin_38739735/article/details/142755982
版权

点击下方卡片，关注“小白玩转Python”公众号

bc143f9ff56ffa676e789c0c8bfbcf07.png

在快速发展的计算机视觉领域，目标检测是一个基石应用程序。在众多的目标检测算法中，YOLOv9已经成为一个强大且多功能的解决方案，提供了实时检测能力，并具有令人印象深刻的准确性。在这篇全面的指南中，我们将探索在自定义数据集上训练YOLOv9的过程，并在测试数据上进行推理。

通过本教程的学习，你将深入了解YOLOv9的工作原理以及如何使用自定义数据集在你的项目中实现它。那么，让我们开始一起探索YOLOv9的强大功能吧！

激活函数系列

1. Softmax激活函数

2. Sigmoid/Logistic激活函数

3. 双曲正切（Tanh）激活函数

4. 修正线性单元（ReLU）激活函数

（上述激活函数我们将在后续进行详细讲解）

数据集：https://www.kaggle.com/datasets/snehilsanyal/construction-site-safety-image-dataset-roboflow

克隆YOLOv9仓库

!git clone https://github.com/SkalskiP/yolov9.git

让我们使用git clone命令从GitHub克隆YOLOv9仓库，并开始探索使用YOLOv9进行实时目标检测。Git是一个版本控制系统，允许开发人员跟踪他们的代码库的更改，与他人协作和管理项目历史。

克隆过程完成后，我们将在机器上拥有YOLOv9仓库的本地副本。这将使我们能够探索代码库，进行修改，并使用YOLOv9算法进行我们自己的目标检测任务。

dataDir = '/content/css-data/' # css-data is the unzip path of the dataset
workingDir = '/content/' # Working Dir in google colab

在这里，我们为项目设置目录路径。变量dataDir保存我们CSS（建筑工地安全）数据存储的目录路径。我们将其设置为'/content/css-data/'，表明我们的CSS数据集文件位于'/content/'目录内的名为'css-data'的目录中。

接下来，我们有变量workingDir，它定义了我们工作目录的路径。

num_classes = 10
classes = ['Hardhat', 'Mask', 'NO-Hardhat', 'NO-Mask', 'NO-Safety Vest', 'Person', 'Safety Cone', 'Safety Vest', 'machinery', 'vehicle']

定义了两个变量：

  • num_classes设置为整数值10，表示分类任务中的类别数。

  • classes是一个包含10个字符串元素的列表，代表不同的类别：'Hardhat'（安全帽）、'Mask'（口罩）、'NO-Hardhat'（无安全帽）、'NO-Mask'（无口罩）、'NO-Safety Vest'（无安全背心）、'Person'（人员）、'Safety Cone'（安全锥）、'Safety Vest'（安全背心）、'machinery'（机械）和'vehicle'（车辆）。

import yaml
import os


file_dict = {
    'train': os.path.join(dataDir, 'train'),
    'val': os.path.join(dataDir, 'valid'),
    'test': os.path.join(dataDir, 'test'),
    'nc': num_classes,
    'names': classes
}
with open(os.path.join(workingDir,'yolov9', 'data.yaml'), 'w+') as f:
  yaml.dump(file_dict, f)

定义了一个名为file_dict的字典，包含以下键值对：

  • ‘train’：训练数据目录的路径，通过连接‘dataDir’变量和‘train’形成。

  • ‘val’：验证数据目录的路径，通过连接‘dataDir’变量和‘valid’形成。

  • ‘test’：测试数据目录的路径，通过连接‘dataDir’变量和‘test’形成。

  • ‘nc’：类别数，来源于‘num_classes’变量。

  • ‘names’：类别名称列表，来源于‘classes’变量。

在‘workingDir/yolov9’目录内以写入模式打开名为‘data.yaml’的文件。使用YAML格式将file_dict字典的内容写入'data.yaml'文件。如果文件不存在，则创建一个新文件。

下载YOLOv9权重

!wget  https://github.com/WongKinYiu/yolov9/releases/download/v0.1/yolov9-e.pt

我们现在正在获取YOLOv9的预训练权重文件。使用!wget，我们可以直接从网络环境中检索文件。

在这个命令中，我们正在下载名为yolov9-c.pt的文件，该文件来自托管在GitHub上的YOLOv9仓库的v0.1版本。这些预训练权重对于使用学习到的参数初始化我们的YOLOv9模型至关重要，使其能够准确检测对象。

下载完成后，我们将能够使用这些权重来微调我们的自定义数据集进行目标检测任务，节省了从头开始训练模型所需的时间和计算资源。

cd yolov9

现在，让我们导航到‘yolov9’目录。‘yolov9’是我们刚刚从GitHub克隆的仓库。这样做，我们将获得‘yolov9’模型的代码，我们将用于在自定义数据集上训练yolov9模型。

!pip install -r requirements.txt -q

接下来，我们使用pip包管理器安装项目所需的Python包和依赖项。!pip install命令允许我们从Python包索引（PyPI）或指定的要求文件安装Python包。

在这里，-r requirements.txt告诉pip安装'requirements.txt'文件中列出的所有包。该文件包含训练yolov9模型所必需的Python库列表。

-q标志代表'quiet'模式，这意味着pip将在没有错误的情况下静默执行安装过程，不会显示详细输出。这有助于保持安装过程的简洁明了，特别是在脚本或自动化任务中。

!python train_dual.py --workers 8 --batch 4  --img 640 --epochs 50 --data /content/yolov9/data.yaml --weights /content/yolov9-e.pt --device 0 --cfg /content/yolov9/models/detect/yolov9.yaml --hyp /content/yolov9/data/hyps/hyp.scratch-high.yaml

这个命令启动了YOLOv9模型的训练过程。但在执行单元格之前，我们需要修改两个参数，第一个参数是—data，我们将在—data参数中传递上面创建的data.yaml文件路径，第二个参数是—cfg，我们需要对yolov9.yaml文件进行一些更改，因为这个原始的yolov9.yaml文件是为COCO数据集配置的，COCO数据集包含80个类别，而我们的自定义数据集有10个类别，所以我们需要在yolov9.yaml中调整nc参数并传递nc=10，因为我们有10个类别，而不是80，我希望你明白我的意思—hyp包含模型的超参数，我们不需要修改它，所以保持原样。

现在让我们使用!python train_dual.py微调我们的自定义数据集上的yolov9模型

  • --workers 8：这个参数指定了训练期间数据预处理的数据加载工作器的数量。更高的数字可以加快数据加载和预处理的速度。

  • --batch 4：这个参数设置了训练的批次大小。批次大小决定了每次训练迭代中使用的样本数量。

  • --img 640：这个参数指定了训练的输入图像大小。在这种情况下，图像将在训练期间调整为640像素的高度和宽度。

  • --epochs 5：这个参数设置了训练的周期数。一个周期是完整地遍历整个训练数据集一次。

  • --data /content/yolov9/data.yaml：这个参数指定了包含数据集配置信息的YAML文件的路径。

  • --weights /content/yolov9-c.pt：这个参数指定了用于在训练前初始化模型的预训练权重文件（yolov9-c.pt）的路径。

  • --device 0：这个参数指定了用于训练的设备。这里，0可能表示第一个可用于训练的GPU设备。

  • --cfg /content/yolov9/models/detect/yolov9.yaml：这个参数指定了模型配置文件（yolov9.yaml）的路径，该文件定义了YOLOv9模型的架构和参数。

  • --hyp /content/yolov9/data/hyps/hyp.scratch-high.yaml：这个参数指定了超参数文件（hyp.scratch-high.yaml）的路径，该文件包含训练期间模型的调整参数。

推理

!python detect.py --img 640 --conf 0.1 --device 0 --weights /content/yolov9/runs/train/exp2/weights/best.pt --source /content/css-data/test/images/004763_jpg.rf.46484e6ca73caeaa9de45822cf1085a9.jpg

from IPython.display import Image
Image(filename="/content/yolov9/runs/detect/exp2/004763_jpg.rf.46484e6ca73caeaa9de45822cf1085a9.jpg", width=600)

9ef68689b0ced3409db89f7e41c52c01.png

·  END  ·

🌟 想要变身计算机视觉小能手？快来「小白玩转Python」公众号！

回复“Python视觉实战项目”，解锁31个超有趣的视觉项目大礼包！🎁

6c6471be973a509cee78fd4f67cbe6b1.png

本文仅供学习交流使用，如有侵权请联系作者删除

小北的北
关注
YOLOv9 | 利用yolov9训练自己的数据集 -＞ 推理、验证（源码解读 + 手撕结构图）
Snu77的博客
02-23 3万+
本文给大家带来的是全新的SOTA模型YOLOv9的基础使用教程，需要注意的是YOLOv9发布时间为2024年2月21日，截至最近的日期也没有过去几天，从其实验结果上来看，其效果无论是精度和参数量都要大于过去的一些实时检测模型，其主要创新点是两个分别是提出了Programmable Gradient Information​​（PGI）的结构以及全新的主干Generalized ELAN（GELAN）下面本文就手把手带大家来教大家如何使用自定义数据集训练YOLOv9模型，以及如何搭建环境，获取数据集/训练。
YOLOv9教程：如何在自定义数据上进行YOLOv9的分割训练
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
04-28 1960
在快速发展的计算机视觉领域，对象分割在从图像中提取有意义的信息方面发挥着关键作用。在众多分割算法中，YOLOv9 已成为一种强大且适应性强的解决方案，提供高效的分割功能和卓越的准确性 在这篇文章中，我们将深入探讨 YOLOv9 在自定义数据集上进行对象分割的训练过程，并对测试数据进行推理。
目标检测 YOLOv5-7.0 详细调试&自制数据集实战
wanchen_Gabby的博客
07-26 1866
包含YOLOv5-7.0项目介绍及环境配置（项目解读、版本选择、环境配置）、如何利用YOLOv5进行预测（detect.py）（main函数中参数的解读、解决问题的小技巧）、如何训练YOLOv5神经网络（train.py）（本地上训练、main函数中参数的解读、训练生成文件的解读、免费云端GPU上训练、运行时的常见报错&解决方法）、如何训练与制作自己的数据集的实操
YOLOv8-seg——基于自定义数据集训练图像分割模型
weixin_48679164的博客
07-24 1615
一、制作分割数据集1 标注2 json文件转txt文件3 数据集划分二、训练图像分割模型1 环境搭建2 训练网络3 预测三、训练结果解读。
详细图文步骤，使用darknet框架和yolov4-tiny训练自定义数据集
jignjingfan的博客
11-02 3600
darknet框架优点是易于安装、没有依赖项。可以很方便的训练yolov3、yolov4、yolov3-tiny、yolov4-tiny等多种yolo系列网络。 本文使用yolov4-tiny网络，收集了一个小小的自定义数据集，识别动漫人脸，主要在unbuntu18.04系统下完成。
新目标检测模型YOLOv9实践 — 训练自定义数据
Warmer_Sweeter
04-21 805
点击下方卡片，关注“小白玩转Python”公众号新YOLOv9模型的更新YOLO系列模型有了一个新成员，在2024年2月发布了一篇新论文，标题为“YOLOv9: 使用可编程梯度信息学习您想要学习的内容”，详细论文可以在这个链接中查看：https://arxiv.org/pdf/2402.13616.pdf。以下是一个快速概述：解决方案的核心是引入了可编程梯度信息（PGI）和一种新的轻量级网络架构，...
【3】使用YOLOv8训练自己的【目标检测】数据集-【收集数据集】-【标注数据集】-【划分数据集】-【配置训练环境】-【训练模型】-【评估模型】-【导出模型】
热门推荐
YOLOv8项目贡献者
04-08 3万+
在自定义数据上训练YOLOv8目标检测模型的步骤可以总结如下
YOLOv9：​在自定义数据上进行图像分割训练
Warmer_Sweeter
04-20 1516
点击下方卡片，关注“小白玩转Python”公众号在快速发展的计算机视觉领域，物体分割在从图像中提取有意义信息方面发挥着重要作用。在各种分割算法中，YOLOv9 已经成为一个强大而灵活的解决方案，提供了高效的分割能力和出色的准确性。在这个全面的指南中，我们将深入探讨如何在自定义数据集上训练 YOLOv9 进行物体分割，并对测试数据进行推断。通过本教程，您将深入了解 YOLOv9 的分割机制，并学会如...
机器学习笔记 在自定义数据集上训练 YOLOv8 目标检测器
学以致用 知行合一
05-05 993
YOLOv8是Ultralytics开发的YOLO对象检测，分类和分割模型的最新版本。在编写本教程时，YOLOv8 是最先进的尖端模型。与以前的版本在前身 YOLO 模型的基础上构建和改进一样，YOLOv8 也建立在以前的 YOLO 版本的成功基础上。YOLOv8 中的新功能和改进提高了性能和准确性，使其成为最实用的对象检测模型。YOLOv8的一个关键特性是它的可扩展性。它被设计为一个框架，支持所有以前版本的 YOLO，可以轻松地在版本之间切换并对其性能进行基准测试。
YOLOv9-使用YOLOv9训练自己的数据集-目标检测算法训练-优质算法项目实战.zip
03-15
YOLOv9是一种高效、精确的目标...通过本项目实战，你将深入理解YOLOv9的训练流程，掌握自定义数据集的目标检测模型构建，同时提升你在计算机视觉领域的实践能力。记得在实践中不断学习和优化，以实现最佳的检测效果。
【计算机视觉-目标检测】YoloV5进行水域游泳者检测&自定义数据集.rar
04-22
本项目是使用 YoloV5 来训练自己的数据集，所以仅仅展示训练自定义数据集的过程。 yolov5原项目在 github的地址：https://github.com/ultralytics/yolov5 本次视频检测的结果已经上传至B站：...
yolov5-基于keras实现的yolov5算法-支持训练自定义数据集.zip
03-05
总的来说，"yolov5-基于keras实现的yolov5算法-支持训练自定义数据集.zip"提供的资源是针对那些希望在Keras中实现YOLOv5目标检测模型的开发者的理想工具。它不仅提供了模型代码，还支持用户用自己的数据集进行训练，...
Yolov8算法在自定义数据集上的训练和应用Yolov8算法在自定义数据集上的训练和应用
04-24
### Yolov8算法在自定义数据集上的训练和应用 #### 1. 引言 随着计算机视觉技术的快速发展，目标检测已成为该领域的重要研究方向。目标检测是指在图像或视频中识别并定位特定对象的技术，对于智能交通系统、视频...
车牌检测-使用YOLOv9实现的车牌检测算法-支持训练自定义hf数据集-优质算法项目实战.zip
03-15
YOLOv9在之前的YOLO系列基础上进行了优化，改进了特征提取网络结构，提高了对小目标的检测能力。它采用了一种称为锚框（anchor boxes）的机制，预先定义了一系列可能的目标比例和长宽比，从而更好地适应不同形状的...
COMP 9517 Computer Vision week3
沃然
10-05 946
根据匹配点 A 和 B 估计变换xiByiBxiAyiAtxtyx_i^B \\y_i^Bx_i^A \\y_i^At_x \\t_yxiB​yiB​​xiA​yiA​​tx​ty​​通过这些匹配点，可以计算出从左图到右图的平移向量txt_xtx​和tyt_yty​，从而实现图像对齐。
计算机视觉硬件知识点整理（五）：3CCD彩色相机介绍与成像原理
HanWenKing的博客
10-08 610
在当代影像技术领域，相机的核心组件——图像传感器，经历了从传统的胶片到现代数字化的革命性转变。其中，3CCD（Three-Chip Charge-Coupled Device）彩色相机作为高端成像设备的代表，以其卓越的色彩还原度和图像质量，长期以来在专业摄影和视频制作领域占据着重要地位。本文旨在深入探讨3CCD彩色相机的成像原理，解析其如何通过独特的色彩分离和处理技术，实现高清晰度、高色彩保真度的影像输出。
【目标检测】根据YOLO格式标签提取和保存标注框目标（附完整代码）
m0_59197405的博客
10-07 1056
在这篇博文中，我们将讨论如何通过Python实现从YOLO标注文件中提取目标检测框，并将检测出的目标区域从图片中截取并保存为单独的图像文件。
山羊检测系统源码分享
最新发布
xuehaisj的博客
10-08 964
数据集信息展示在本研究中，我们采用了名为“Cabras”的数据集，以改进YOLOv8的山羊检测系统。该数据集专门针对山羊（cabra）及其相关类别（dw）进行了精心构建，旨在提升计算机视觉算法在农业和动物监测领域的应用效果。数据集的类别数量为2，具体包括“cabra”和“dw”，这两个类别的选择反映了我们对山羊检测任务的关注和需求。“Cabras”数据集的构建过程充分考虑了山羊在自然环境中的多样性和复杂性。数据集中包含了大量的图像样本，这些样本来源于不同的地理位置和气候条件，确保了数据的多样性和代表性。
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
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