yolov9,使用自定义的数据训练推理

wechat-920086481

已于 2024-02-27 15:48:15 修改

阅读量1.2k

点赞数 24

文章标签：深度学习 yolo 图像处理

于 2024-02-27 15:00:01 首次发布

本文链接：https://blog.csdn.net/zahidzqj/article/details/136321836

版权

本文介绍了一种新的目标检测算法YOLOv9，它通过引入可编程梯度信息来增强网络对特定目标的学习，从而提高检测性能。文章详细描述了如何下载源码、配置、数据组织以及模型训练、评估、推理和部署的过程，包括将模型转换为ONNX和TensorRT引擎以优化性能。

摘要由CSDN通过智能技术生成

[源码 🐋]( GitHub - WongKinYiu/yolov9: Implementation of paper - YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information)

[论文 📘](arxiv.org/pdf/2402.13616.pdf)

论文摘要：本文介绍了一种新的目标检测算法YOLOv9，该算法利用可编程梯度信息来学习用户想要学习的内容。通过在网络的反向传播过程中引入可编程梯度信息，我们可以指导网络学习特定的目标，从而提高检测的准确性和效率。

1. 源码下载

2. 配置

依赖库：torch

3. Data

YOLO format.

# class_id center_x center_y bbox_width bbox_height

Organize your directory of custom dataset as follows:

custom_dataset:/data/custom_data

├── images

│ ├── train

│ │ ├── train0.jpg

│ │ └── train1.jpg

│ └── test

│ ├── test0.jpg

│ └── test1.jpg

└── labels

├── train

│ ├── train0.txt

│ └── train1.txt

└── test

├── test0.txt

└── test1.txt

然后生成图像索引的txt文件

Train

# python train.py --workers 8 --device 0 --batch 32 --data data/coco.yaml --img 640 --cfg models/detect/gelan-c.yaml --weights '' --name gelan-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15

# train gelan models

python train_dual.py --data data/coco_wj.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --close-mosaic 15

# train yolov9 models

Evaluation

# evaluate converted yolov9 models
python val.py --data data/coco.yaml --img 640 --batch 32 --conf 0.001 --iou 0.7 --device 0 --weights './yolov9-c-converted.pt' --save-json --name yolov9_c_c_640_val
		
# evaluate yolov9 models
#python val_dual.py --data data/coco.yaml --img 640 --batch 32 --conf 0.001 --iou 0.7 --device 0 --weights './yolov9-c.pt' --save-json --name yolov9_c_640_val
		
# evaluate gelan models
# python val.py --data data/coco.yaml --img 640 --batch 32 --conf 0.001 --iou 0.7 --device 0 --weights './gelan-c.pt' --save-json --name gelan_c_640_val

Inference
1. Python detect.py
  1. 下载权重yolov9-c.pt，并放在yolov9下，然后在代码中指定权重和图片
  2. 错误：nms：官方解释The first prediction is from aux branch, so choose second prediction.
  3. ```
  # prediction = prediction[0]  # select only inference output
  
  prediction = prediction[0][1]  #  zqj20240226 prediction[0][0]两个结果不同
```
Deploy
1. 转onnx
  1. 使用第三方的转换+NMSPlugin
  2. 使用自带的export.py，可以生成onnx，但是转engine报错“/weight.28 ****”

[博客 📰](https://github.com/thaitc-hust/yolov9-tensorrt/blob/main/torch2onnx.py)

Torch2onnx.py

add_nms_plugins.py # add BatchedNMSDynamic_TRT

也可以将这两个文件拷贝到yolov9下，生成onnx和onnx-nms

2. 转engine:trtexec