【计算机视觉】YOLOv9代码使用示例（含代码）

最新推荐文章于 2024-07-28 13:13:13 发布
最新推荐文章于 2024-07-28 13:13:13 发布
阅读量2.2k 收藏 34
点赞数 22
分类专栏： 计算机视觉 文章标签： 计算机视觉 人工智能 目标检测 YOLOv9
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/wzk4869/article/details/137523955
版权

文章目录

一、How to Train YOLOv9 on a Custom Dataset

1.1 开始之前

让我们确保我们可以访问 GPU。 我们可以使用 nvidia-smi 命令来做到这一点。

!nvidia-smi

在这里插入图片描述
注意：为了让我们更容易管理数据集、图像和模型，我们创建了一个 HOME 常量。

import os
HOME = os.getcwd()
print(HOME)

1.2 配置

注意：YOLOv9 非常新。 目前，我们建议使用主存储库的分支。 detector.py 脚本包含一个阻止推理的错误。 该错误已在 fork 中修复。

!git clone https://github.com/SkalskiP/yolov9.git
%cd yolov9
!pip install -r requirements.txt -q

注意：让我们安装 roboflow 包，我们将使用它从 Roboflow Universe 下载数据集。

!pip install -q roboflow

1.3 下载模型权重

注意：在 YOLOv9 论文中，还提到了 yolov9-s 和 yolov9-m 版本，但 YOLOv9 存储库中尚未提供这些模型的权重。

!wget -P {HOME}/weights -q https://github.com/WongKinYiu/yolov9/releases/download/v0.1/yolov9-c.pt
!wget -P {HOME}/weights -q https://github.com/WongKinYiu/yolov9/releases/download/v0.1/yolov9-e.pt
!wget -P {HOME}/weights -q https://github.com/WongKinYiu/yolov9/releases/download/v0.1/gelan-c.pt
!wget -P {HOME}/weights -q https://github.com/WongKinYiu/yolov9/releases/download/v0.1/gelan-e.pt

!ls -la {HOME}/weights

输出为：

total 402440
drwxr-xr-x 2 root root      4096 Feb 29 11:06 .
drwxr-xr-x 1 root root      4096 Feb 29 11:06 ..
-rw-r--r-- 1 root root  51508261 Feb 18 12:36 gelan-c.pt
-rw-r--r-- 1 root root 117203713 Feb 18 12:36 gelan-e.pt
-rw-r--r-- 1 root root 103153312 Feb 18 12:36 yolov9-c.pt
-rw-r--r-- 1 root root 140217688 Feb 18 12:36 yolov9-e.pt

1.4 下载示例数据

注意：如果您想使用自己的文件作为输入来运行推理，只需将图像上传到 Google Colab 并使用指向您的文件的路径更新 SOURCE_IMAGE_PATH 即可。

!wget -P {HOME}/data -q https://media.roboflow.com/notebooks/examples/dog.jpeg

SOURCE_IMAGE_PATH = f"{HOME}/dog.jpeg"

1.5 使用预训练的 COCO 模型进行检测

1.5.1 gelan-c

!python detect.py --weights {HOME}/weights/gelan-c.pt --conf 0.1 --source {HOME}/data/dog.jpeg --device 0

输出为：

detect: weights=['/content/weights/gelan-c.pt'], source=/content/data/dog.jpeg, data=data/coco128.yaml, imgsz=[640, 640], conf_thres=0.1, iou_thres=0.45, max_det=1000, device=0, view_img=False, save_txt=False, save_conf=False, save_crop=False, nosave=False, classes=None, agnostic_nms=False, augment=False, visualize=False, update=False, project=runs/detect, name=exp, exist_ok=False, line_thickness=3, hide_labels=False, hide_conf=False, half=False, dnn=False, vid_stride=1
YOLOv5 🚀 1e33dbb Python-3.10.12 torch-2.1.0+cu121 CUDA:0 (Tesla T4, 15102MiB)

Fusing layers... 
Model summary: 467 layers, 25472640 parameters, 0 gradients, 102.8 GFLOPs
image 1/1 /content/data/dog.jpeg: 640x384 1 person, 1 car, 1 dog, 1 handbag, 235.8ms
Speed: 0.6ms pre-process, 235.8ms inference, 704.3ms NMS per image at shape (1, 3, 640, 640)
Results saved to runs/detect/exp

注意：默认情况下，每个后续推理会话的结果保存在 {HOME}/yolov9/runs/detect/ 中名为 exp、exp2、exp3… 的目录中。您可以使用 --name 参数覆盖此行为 。

from IPython.display import Image

Image(filename=f"{HOME}/yolov9/runs/detect/exp/dog.jpeg", width=600)

在这里插入图片描述

1.5.2 yolov9-e

!python detect.py --weights {HOME}/weights/yolov9-e.pt --conf 0.1 --source {HOME}/data/dog.jpeg --device 0

输出为：

detect: weights=['/content/weights/yolov9-e.pt'], source=/content/data/dog.jpeg, data=data/coco128.yaml, imgsz=[640, 640], conf_thres=0.1, iou_thres=0.45, max_det=1000, device=0, view_img=False, save_txt=False, save_conf=False, save_crop=False, nosave=False, classes=None, agnostic_nms=False, augment=False, visualize=False, update=False, project=runs/detect, name=exp, exist_ok=False, line_thickness=3, hide_labels=False, hide_conf=False, half=False, dnn=False, vid_stride=1
YOLOv5 🚀 1e33dbb Python-3.10.12 torch-2.1.0+cu121 CUDA:0 (Tesla T4, 15102MiB)

Fusing layers... 
Model summary: 1119 layers, 69470144 parameters, 0 gradients, 244.0 GFLOPs
image 1/1 /content/data/dog.jpeg: 640x384 1 person, 1 car, 1 dog, 1 backpack, 1 handbag, 169.4ms
Speed: 0.5ms pre-process, 169.4ms inference, 489.2ms NMS per image at shape (1, 3, 640, 640)
Results saved to runs/detect/exp2

from IPython.display import Image

Image(filename=f"{HOME}/yolov9/runs/detect/exp2/dog.jpeg", width=600)

在这里插入图片描述

1.6 验证并下载数据集

注意：数据集必须保存在{HOME}/yolov9目录中，否则训练将不会成功。

%cd {HOME}/yolov9

注意：在本教程中，我将使用足球运动员检测数据集。 请随意将其替换为 YOLO 格式的数据集，或使用 Roboflow Universe 上提供的其他数据集。 此外，如果您计划在训练后将模型部署到 Roboflow，请确保您是数据集的所有者，并且没有模型与您要训练的数据集版本关联。

import roboflow

roboflow.login()

rf = roboflow.Roboflow()

project = rf.workspace("roboflow-jvuqo").project("football-players-detection-3zvbc")
version = project.version(8)
dataset = version.download("yolov9")

1.7 训练模型

%cd {HOME}/yolov9

!python train.py \
--batch 16 --epochs 25 --img 640 --device 0 --min-items 0 --close-mosaic 15 \
--data {dataset.location}/data.yaml \
--weights {HOME}/weights/gelan-c.pt \
--cfg models/detect/gelan-c.yaml \
--hyp hyp.scratch-high.yaml

1.8 检查训练结果

注意：默认情况下，每个后续训练课程的结果都保存在 {HOME}/yolov9/runs/train/ 中名为 exp、exp2、exp3… 的目录中。您可以使用 --name 参数覆盖此行为 。

!ls {HOME}/yolov9/runs/train/exp/

输出为：

confusion_matrix.png				    P_curve.png       train_batch2.jpg
events.out.tfevents.1709205293.f80636ca2632.2700.0  PR_curve.png      val_batch0_labels.jpg
F1_curve.png					    R_curve.png       val_batch0_pred.jpg
hyp.yaml					    results.csv       val_batch1_labels.jpg
labels_correlogram.jpg				    results.png       val_batch1_pred.jpg
labels.jpg					    train_batch0.jpg  weights
opt.yaml					    train_batch1.jpg

from IPython.display import Image

Image(filename=f"{HOME}/yolov9/runs/train/exp/results.png", width=1000)

在这里插入图片描述

from IPython.display import Image

Image(filename=f"{HOME}/yolov9/runs/train/exp/confusion_matrix.png", width=1000)

在这里插入图片描述

from IPython.display import Image

Image(filename=f"{HOME}/yolov9/runs/train/exp/val_batch0_pred.jpg", width=1000)

在这里插入图片描述

1.9 验证自定义模型

%cd {HOME}/yolov9

!python val.py \
--img 640 --batch 32 --conf 0.001 --iou 0.7 --device 0 \
--data {dataset.location}/data.yaml \
--weights {HOME}/yolov9/runs/train/exp/weights/best.pt

输出为：

/content/yolov9
val: data=/content/yolov9/football-players-detection-6/data.yaml, weights=['/content/yolov9/runs/train/exp/weights/best.pt'], batch_size=32, imgsz=640, conf_thres=0.001, iou_thres=0.7, max_det=300, task=val, device=0, workers=8, single_cls=False, augment=False, verbose=False, save_txt=False, save_hybrid=False, save_conf=False, save_json=False, project=runs/val, name=exp, exist_ok=False, half=False, dnn=False, min_items=0
YOLOv5 🚀 1e33dbb Python-3.10.12 torch-2.1.0+cu121 CUDA:0 (Tesla T4, 15102MiB)

Fusing layers... 
gelan-c summary: 467 layers, 25414044 parameters, 0 gradients, 102.5 GFLOPs
val: Scanning /content/yolov9/football-players-detection-6/valid/labels.cache... 38 images, 0 backgrounds, 0 corrupt: 100% 38/38 [00:00<?, ?it/s]
                 Class     Images  Instances          P          R      mAP50   mAP50-95: 100% 2/2 [00:04<00:00,  2.22s/it]
                   all         38        905       0.91      0.689      0.759      0.528
                  ball         38         35          1      0.156      0.322     0.0889
            goalkeeper         38         27      0.967      0.889      0.937      0.746
                player         38        754      0.948      0.942      0.981      0.758
               referee         38         89      0.725      0.771      0.797      0.517
Speed: 0.1ms pre-process, 31.6ms inference, 23.8ms NMS per image at shape (32, 3, 640, 640)
Results saved to runs/val/exp

1.10 推理

!python detect.py \
--img 1280 --conf 0.1 --device 0 \
--weights {HOME}/yolov9/runs/train/exp/weights/best.pt \
--source {dataset.location}/test/images

注意：就像以前一样，推理结果已保存在 {HOME}/yolov9/runs/detect/ 内的相应目录中。 让我们检查其中的一些结果。

import glob

from IPython.display import Image, display

for image_path in glob.glob(f'{HOME}/yolov9/runs/detect/exp3/*.jpg')[:2]:
      display(Image(filename=image_path, width=600))

在这里插入图片描述

1.11 使用推理部署 YOLOv9 模型

注意：要部署模型并显示推理结果，我们需要两个额外的包 - 推理和监督。 让我们安装并导入它们！

!pip install -q inference supervision

import cv2
import random
import getpass

import supervision as sv

from inference import get_model

%matplotlib inline

注意：在推理中使用模型之前，您首先需要将权重上传到 Roboflow Universe。 确保指定正确的 model_type - yolov9，并且项目版本与您用于训练的数据集版本匹配，由 [1] 表示。 就我而言，是 6。

version.deploy(model_type="yolov9", model_path=f"{HOME}/yolov9/runs/train/exp")

输出为：

View the status of your deployment at: https://app.roboflow.com/roboflow-jvuqo/football-players-detection-3zvbc/6
Share your model with the world at: https://universe.roboflow.com/roboflow-jvuqo/football-players-detection-3zvbc/model/6

注意：现在我们可以使用 [2] 指定的 model_id 在任何地方下载我们的模型。 就我而言，足球运动员检测-3zvbc/6。 要下载模型，您需要 ROBOFLOW_API_KEY。

ROBOFLOW_API_KEY = getpass.getpass()

model = get_model(model_id="football-players-detection-3zvbc/8", api_key=ROBOFLOW_API_KEY)

注意：让我们从测试子集中选择随机图像，并使用新微调的模型检测对象。

image_paths = sv.list_files_with_extensions(
    directory=f"{dataset.location}/test/images",
    extensions=['png', 'jpg', 'jpeg']
)
image_path = random.choice(image_paths)
image = cv2.imread(image_path)

result = model.infer(image, confidence=0.1)[0]
detections = sv.Detections.from_inference(result)

label_annotator = sv.LabelAnnotator(text_color=sv.Color.BLACK)
bounding_box_annotator = sv.BoundingBoxAnnotator()

annotated_image = image.copy()
annotated_image = bounding_box_annotator.annotate(scene=annotated_image, detections=detections)
annotated_image = label_annotator.annotate(scene=annotated_image, detections=detections)

sv.plot_image(annotated_image)

在这里插入图片描述

旅途中的宽~
关注
  • 22
    点赞
  • 踩
  • 34
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
yolov9 图像检测案例使用；自有数据单机训练和多机分布式训练
weixin_42357472的博客
02-28 209
下载数据集需要登录获取认证下载，yolo格式数据集txt label集data.yaml说明文档label信息样式数据集yaml文件样式训练!看着16g显卡占用情况，最训练过程指标存放在!ls {HOME}/yolov9/runs/train/exp/下验证模型效果!使用训练模型推理!结果保存到Results saved to runs/detect/exp3下。
计算机视觉(Computer Vision) 原理与代码实例讲解
禅与计算机程序设计艺术
05-30 777
计算机视觉(Computer Vision) - 原理与代码实例讲解 1.背景介绍 1.1 计算机视觉概述 计算机视觉(Computer Vision)是人工智能领域的一个重要分支,旨在使计算机能够获取、处理、
YOLOv9代码详细介绍（附源码和权重）
小嘤熊的博客
05-02 929
本文将介绍YOLOv9的项目获取、项目目录以及单独文件分析。YOLOv9 的进步深深扎根于解决深度神经网络中信息丢失所带来的挑战。信息瓶颈原理和可逆函数的创新使用是其设计的核心，可确保 YOLOv9 保持高效率和高精度。
YOLO模型解析代码
AI学长
04-02 345
yolo通常是通过配置文件来构建模型的。如果有用，请点个三连呗。
目标检测YOLO系列算法——YOLOv1-YOLOv9详细介绍
最新发布
Python_zzm的博客
07-28 1322
和YOLOv4 的主干网络相同，都采用了基于CSP结构的CSPDarkNet网络，不同的是，在YOLOv4中，CSPDarkNet遵循“12884”的设计来得到CSPDarkNet-53，而YOLOv5则进一步将其修改为“3993”的结构，以便后续在模型深度的层面上做缩放。相较于YOLOv4 的“12884”，YOLOv5则在模型的第一阶段中不加入CSP模块，仅仅使用一个kernel较大的卷积来做第一次的降采样，随后才使用CSP模块，因此，YOLOv5的结构参数“3993”，而不是“13993”。
OpenCV与AI深度学习 | 实战 | 基于YOLOv9+SAM实现动态目标检测和分割（步骤 + 代码）
csdn_xmj的博客
04-17 1644
在本文中，我们使用YOLOv9+SAM在RF100 Construction-Safety-2 数据集上实现自定义对象检测模型。这种集成不仅提高了在不同图像中检测和分割对象的准确性和粒度，而且还扩大了应用范围——从增强自动驾驶系统到改进医学成像中的诊断过程。通过利用 YOLOv9 的高效检测功能和 SAM 以零样本方式分割对象的能力，这种强大的组合最大限度地减少了对大量再训练或数据注释的需求，使其成为一种多功能且可扩展的解决方案。
计算机视觉、机器学习相关领域论文和源代码大集合--持续更新……
热门推荐
zouxy09的专栏
01-29 17万+
计算机视觉、机器学习相关领域论文和源代码大集合--持续更新…… zouxy09@qq.com http://blog.csdn.net/zouxy09   注：下面有project网站的大部分都有paper和相应的code。Code一般是C/C++或者Matlab代码。 最近一次更新：2013-3-17 一、特征提取Feature Extraction： ·
计算机视觉代码,计算机视觉(示例代码)
weixin_39725873的博客
07-26 1112
Computer vision is the emulation of biological visionusing computers and machines. It deals with the problemof inferring three-dimensional (3D) information about the world and the objects in it from...
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 3095
帮助训练自己的数据集，了解代码结构，重点文件进行讲解
【YOLOv9改进[Conv]】SPDConv助力YOLOv9的实践 + 含全部代码和详细修改方式
静谧、淡雅
06-06 91
SPDConv助力YOLOv9的实践 + 含全部代码和详细修改方式
【YOLOv9改进[注意力]】在YOLOv9中使用注意力ECA（2020.4）的实践 + 含全部代码和详细修改方式
静谧、淡雅
06-17 75
在YOLOv9中使用注意力ECA（2020.4）的实践 + 含全部代码和详细修改方式
计算机视觉人脸识别入门示例代码
04-07
计算机视觉人脸识别入门示例代码
OpenVINO计算机视觉—实例实战
06-16
手把手讲授如何搭建成功OpenVINO框架，并且使用预训练模型快速开发超分辨率、道路分割、汽车识别、人脸识别、人体姿态和行人车辆分析。得益于OpenVINO框架的强大能力，这些例子都能够基于CPU达到实时帧率。课程的亮点在于在调通Demo的基础上更进一步：一是在讲Demo的时候，对相关领域问题进行分析（比如介绍什么是超分辨率，有什么作用）、预训练模型的来龙去脉（来自那篇论文，用什么训练的）、如何去查看不同模型的输入输出参数、如何编写对应的接口参数进行详细讲解；二是基本上对所有的代码进行重构，也就是能够让例子独立出来，并且给出了带有较详细注释的代码；三是注重实际运用，将Demo进一步和实时视频处理框架融合，形成能够独立运行的程序，方便模型落地部署；四是重难点突出、注重总结归纳，对OpenVINO基本框架，特别是能够提高视频处理速度的异步机制和能够直接部署解决实际问题的骨骼模型着重讲解，帮助学习理解；五是整个课程准备精细，每一课都避免千篇一律，前一课有对后一课的预告，后一课有对前一课的难点回顾，避免学习过程中出现突兀；六是在适当的时候拓展衍生，不仅讲OpenVINO解决图像处理问题，而且还
MATLAB模式识别计算机视觉实例实现
06-24
我自己先前做的一些模式识别和计算机视觉的matlab代码实现，每个都可成功运行，可以为计算机视觉，模式识别的学生打打基础
【YOLOv9改进[Conv]】2024年的DynamicConv助力YOLOv9的实践 + 含全部代码和详细修改方式
静谧、淡雅
06-06 85
2024年的DynamicConv助力YOLOv9的实践 + 含全部代码和详细修改方式
【YOLOv9改进[Conv]】YOLOv9中使用SAConv2d的实践 + 含全部代码和详细修改方式
静谧、淡雅
06-14 63
YOLOv9中使用SAConv2d的实践 + 含全部代码和详细修改方式
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。
计算机视觉---数字图像代码示例
03-04 436
在计算机视觉中，处理数字图像的基础操作通常包括读取图像、显示图像、图像转换（如灰度转换）、图像裁剪、缩放以及直方图均衡化等。这段代码涵盖了读取图像、颜色空间转换、图像裁剪、缩放以及直方图均衡化的基本功能。请确保已经安装了OpenCV (为你要处理的实际图像文件路径。运行上述代码会展示一系列图像处理步骤的结果。) 和 Matplotlib (
计算机视觉从入门到精通,计算机视觉入门(示例代码)
weixin_39852688的博客
07-08 274
第一节课: 计算机视觉整体概述这学期正在上一节计算机视觉课程，有些不懂的知识上百度搜索发现关于计算机视觉的文章寥寥无几。 这节课主要讲解的是计算机视觉里面的图片识别，不会讲到识别一些正在运动的物体。希望可以把自己学到的东西分享给大家。因为版权等问题，我无法将lecture notes放在这里，但是我会把自己所理解的东西写下来。1. 什么是计算机视觉(Computer Vision)?老师给出的定义...
yolov5代码做改进容不容易
07-27
Yolov5代码的改进可以根据具体需求而定。通常来说，对Yolov5进行一些改进是可以的，但具体的难易程度取决于你要实现的改进内容和你的编程经验。 如果你只是想进行一些简单的调整，例如更改模型的超参数或者调整训练过程中的一些设置，这些改动相对容易实现，并且不需要太多的编程知识。 然而，如果你想对Yolov5进行更深入的改进，例如修改网络结构、优化损失函数、添加新的功能等，可能需要更高级的计算机视觉和深度学习知识，并且需要对代码进行更多的修改和调试。 总的来说，Yolov5代码的改进的难易程度因人而异，取决于你的目标和技术能力。但是，由于Yolov5是一个开源项目，你可以在其代码库中找到足够的文档和示例来帮助你进行改进。
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

旅途中的宽~

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