YOLOv9官方仓库怎么用？GitHub README结合镜像实操-洪萨配资

YOLOv9官方仓库怎么用？GitHub README结合镜像实操

1. 镜像环境说明

本镜像基于 YOLOv9 官方代码库构建，预装了完整的深度学习开发环境，集成了训练、推理及评估所需的所有依赖，开箱即用。适用于快速开展目标检测任务的科研与工程实践，避免繁琐的环境配置过程。

核心框架: pytorch==1.10.0
CUDA版本: 12.1
Python版本: 3.8.5
主要依赖: torchvision==0.11.0，torchaudio==0.10.0，cudatoolkit=11.3, numpy, opencv-python, pandas, matplotlib, tqdm, seaborn 等常用科学计算和视觉处理库
代码位置:/root/yolov9（镜像中已克隆官方仓库并完成初始化）

该环境已在 GPU 实例上完成验证，支持单卡与多卡训练，兼容主流 YOLO 数据格式，可直接用于自定义数据集的迁移学习或从头训练。

2. 快速上手

2.1 激活环境

镜像启动后，默认进入 Conda 的base环境。为确保所有依赖正确加载，请先激活专用的yolov9虚拟环境：

conda activate yolov9

提示：若提示环境不存在，请检查镜像是否完整加载，或手动创建环境并安装 requirements.txt 中的依赖。

2.2 模型推理 (Inference)

进入 YOLOv9 项目根目录：

cd /root/yolov9

使用以下命令进行图像推理测试：

python detect_dual.py --source './data/images/horses.jpg' --img 640 --device 0 --weights './yolov9-s.pt' --name yolov9_s_640_detect

参数说明：

--source：输入源路径，支持图片、视频或摄像头设备编号
--img：推理时输入图像尺寸（默认 640×640）
--device：指定 GPU 设备编号（0 表示第一块 GPU）
--weights：模型权重文件路径
--name：结果保存子目录名称

推理结果将保存在runs/detect/yolov9_s_640_detect/目录下，包含标注框可视化图像及置信度信息。

扩展建议：可替换--source为本地视频路径（如./data/videos/test.mp4）以实现视频目标检测。

2.3 模型训练 (Training)

使用单卡训练 YOLOv9-small 模型的完整命令如下：

python train_dual.py \ --workers 8 \ --device 0 \ --batch 64 \ --data data.yaml \ --img 640 \ --cfg models/detect/yolov9-s.yaml \ --weights '' \ --name yolov9-s \ --hyp hyp.scratch-high.yaml \ --min-items 0 \ --epochs 20 \ --close-mosaic 15

关键参数解析：

--workers：数据加载线程数，根据 CPU 核心数调整
--batch：每批次样本数量，需根据显存大小调整（64 需 ≥24GB 显存）
--data：数据配置文件路径，定义类别数、训练/验证集路径等
--cfg：网络结构配置文件，决定模型规模（s/m/c/e/t）
--weights：预训练权重路径，空字符串表示从头训练
--hyp：超参数配置文件，控制学习率、数据增强强度等
--close-mosaic：在最后 N 个 epoch 关闭 Mosaic 增强，提升收敛稳定性

训练过程中，日志和权重会自动保存至runs/train/yolov9-s/目录，包含 loss 曲线、mAP 指标图、best.pt 和 last.pt 权重文件。

多卡训练提示：如需使用多 GPU 训练，可将--device改为0,1,2,3并适当增大 batch size。

3. 已包含权重文件

镜像内已预下载轻量级模型权重yolov9-s.pt，位于/root/yolov9根目录下，可直接用于推理或作为微调起点。

模型类型	文件名	参数量（约）	推理速度（FPS @T4）
YOLOv9-s	`yolov9-s.pt`	7.5M	180

注意：其他更大模型（如 yolov9-c.pt、yolov9-e.pt）未内置，可通过官方 HuggingFace 或 Google Drive 链接自行下载，并放入对应目录。

推荐下载地址（来自官方 README）：

YOLOv9-C
YOLOv9-E (GS)

4. 常见问题

4.1 数据集准备

YOLOv9 要求数据集遵循标准 YOLO 格式组织：

dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yaml

其中data.yaml内容示例如下：

train: ./dataset/images/train val: ./dataset/images/val nc: 80 names: ['person', 'bicycle', 'car', ...]

请根据实际路径修改train和val字段，并确保标签文件.txt与图像一一对应。

4.2 环境激活失败

若执行conda activate yolov9报错：

Could not find conda environment: yolov9

请尝试以下修复步骤：

查看已有环境列表：
```
conda env list
```
若显示yolov9存在但路径异常，可重新链接：
```
conda activate /opt/conda/envs/yolov9
```

如环境丢失，可重建：

conda create -n yolov9 python=3.8 -y conda activate yolov9 cd /root/yolov9 && pip install -r requirements.txt

4.3 显存不足（Out of Memory）

当出现 CUDA OOM 错误时，建议采取以下措施：

降低--batch大小（如从 64 → 32 → 16）
减小--img分辨率（如 640 → 320）
使用更小模型（如yolov9-tiny替代yolov9-s）
启用梯度累积（添加--accumulate 2参数）

5. 参考资料

官方仓库: WongKinYiu/yolov9
包含最新代码更新、训练脚本、模型结构定义及高级功能（如 EMA、Dual Assigner、PGI 等）详解。
文档说明: 详细用法请参考官方库中的README.md文件，涵盖：
- 多种模型变体介绍（s/c/e/t）
- 自定义数据集训练指南
- ONNX 导出与部署方法
- 性能 benchmark 对比表
论文原文:
- YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information

6. 引用

@article{wang2024yolov9, title={{YOLOv9}: Learning What You Want to Learn Using Programmable Gradient Information}, author={Wang, Chien-Yao and Liao, Hong-Yuan Mark}, journal={arXiv preprint arXiv:2402.13616}, year={2024} }

@article{chang2023yolor, title={{YOLOR}-Based Multi-Task Learning}, author={Chang, Hung-Shuo and Wang, Chien-Yao and Wang, Richard Robert and Chou, Gene and Liao, Hong-Yuan Mark}, journal={arXiv preprint arXiv:2309.16921}, year={2023} }