YOLOv9配置环境训练自己的数据集（电脑版）

一、创建新的虚拟环境

1、打开Anaconda Powershell Prompt(AnacondaInstall） 

2、导入YOLOv9程序的目录

指令格式为 cd ......(YOLOv9程序的绝对路径）

3、创建名为yolov9的虚拟环境

终端命令输入以下指令，创建一个名为yolov9（命名可以按自己习惯）的虚拟环境，其python版本为3.8（视自己情况设置）

conda create -n yolov9 python=3.8

y/n时输入y，继续创建虚拟环境

4、激活yolov9虚拟环境

终端命令输入以下指令

conda activate yolov9

效果如下：

二、安装CUDA、Pytorch、Torchversion三者匹配的深度学习环境

1、查看设备支持的CUDA最高版本

终端命令输入以下指令

nvidia-smi

2、PyTorch官网下载版本为12.1的CUDA

官网链接如下

Previous PyTorch Versions | PyTorch Installing previous versions of PyTorchhttps://pytorch.org/get-started/previous-versions/终端命令输入以下图片指示的代码：

# CUDA 12.1
conda install pytorch==2.2.0 torchvision==0.17.0 torchaudio==2.2.0 pytorch-cuda=12.1 -c pytorch -c nvidia

特别提醒：

出现GPU占用率不高的一般原因：

（1）安装的CUDA版本超过了支持的设备最高版本

（2）CUDA、Pytorch、Torchversion、Torchaudio版本不对应

（3）works、batch-size参数设置过小

三、安装YOLOv9自带的需求包requirements.txt

1、终端命令输入指令

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

注意一定要在根目录下有requirements.txt文件。

2、若下载requirements.txt（或者其他第三方库）速度过慢可以尝试加清华源后下载

清华源代码如下：

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

四、修改数据指引文件coco.yaml

注明训练集、验证集和测试集的绝对路径，注意用正斜杠“/”，并且将自己数据集的标签类别标明

以下是示例：

train: E:/Project_Practice/Insulator_Defect_detection/Du_Data/pin_defect/images/train 
val: E:/Project_Practice/Insulator_Defect_detection/Du_Data/pin_defect/images/test  
test: E:/Project_Practice/Insulator_Defect_detection/Du_Data/pin_defect/images/test  

# Classes
names:
  0: pin_defect

五、修改train_dual.py的参数

1、修改路径（此处注意用的是正斜杠“/”，而电脑目录一般用的是反斜杠“\”，建议都用绝对路径）

（1）data为数据路径，coco.yaml中需写明训练集、测试集的路径等信息

（2）cfg为网络结构路径，yolov9-c.yaml是yolov9原模型的网络结构

（3）project为模型训练结果保存路径，为防止混乱，建议一个模型改一个保存路径

（4）weights为权重路径

（5）hpy为超参数路径

parser.add_argument('--data', type=str, default= 'E:/Project_Practice/Transmission_Line_Defect_Detection/2_Object_Detection_Algorithm/yolov9/yolov9-main/yolov9-main/data/coco.yaml', help='dataset.yaml path')

parser.add_argument('--cfg', type=str, default= 'E:/Project_Practice/Transmission_Line_Defect_Detection/2_Object_Detection_Algorithm/yolov9/yolov9-main/yolov9-main/models/detect/yolov9-c.yaml', help='model.yaml path')
    
parser.add_argument('--project', default=ROOT / 'runs/yolov9_pin', help='save to project/name')

parser.add_argument('--weights', type=str, default=ROOT / 'yolov9-c-converted.pt', help='initial weights path')
    
parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch-high.yaml',help='hyperparameters path')

2、修改训练参数

（1）epochs为训练轮次

（2）batch-size为一次训练所抓取的数据样本数量，应为2的n次方

（3）wokers为装载数据时CPU的线程数，应为2的n次方

parser.add_argument('--epochs', type=int, default=100, help='total training epochs')
    
parser.add_argument('--batch-size', type=int, default=4, help='total batch size for all GPUs, -1 for autobatch')

parser.add_argument('--workers', type=int, default=4, help='max dataloader workers (per RANK in DDP mode)')

六、运行train_dual.py训练自己的数据集

步骤及效果如下：

可见，经过以上环境配置，GPU占有率在80~90%的合适区间，以下是在AutoDL上租服务器跑时的GPU占有率情况。（之前自己走过弯路，训练时间非常长，以此文总结心得和收获）