YOLOV9保姆级教程_file "/home/aistudio/yolov9/utils/general.py", lin

一、总述

这一篇则详细讲解如何配置YOLOv9，在本地电脑或者服务器都可，然后利用自己的数据集进行训练、推理、检测等。

二、YOLOv9代码下载

YOLOv9是原YOLOv7团队打造，提出了可编程梯度信息（PGI）的概念来应对深度网络实现多个目标所需的各种变化。 PGI可以为目标任务计算目标函数提供完整的输入信息，从而获得可靠的梯度信息来更新网络权值。此外，还设计了一种新的轻量级网络架构——基于梯度路径规划的通用高效层聚合网络（GELAN）。 GELAN的架构证实了PGI在轻量级模型上取得了优异的结果。

论文地址：YOLOv9论文地址
GitHub地址：GitHub代码下载地址

代码下载： 此处直接点击【Download ZIP】下载即可

权重下载： 此处直接选择【YOLOv9-C】和【YOLOv9-E】下载即可

注意：目前【YOLOv9-S】和【YOLOv9-M】无法下载，应该是个BUG，相信很快就会得到解决。

在全部下载完成后，将权重文件放到yolov9文件夹内

三、环境配置

在windows系统下打开Anaconda的终端，创造虚拟环境。

① cd到yolov9所在文件夹

cd yolov9所在目录
1

② 创建虚拟环境
如下：输入 conda create -n yolov9(代表环境名称) python=3.8 （使用Python的版本），然后创建就可以了

conda create -n yolov9 python=3.8
1

环境安装完成后，conda activate yolov9进入刚才创建的环境(这块我设置的为v9,只是一个名称，无伤大雅)

是否安装环境所需基础包，输入y安装即可，安装完成如下图：

输入下面命令查看是否创建成功

conda env list
1

激活进入环境

conda activate yolov9
1

注：进入环境后，前面会从base变为yolov9

安装requirements.txt文件，后面加清华的镜像源效果更好。

//不加清华源
pip install -r requirements.txt
1
2

//加清华源
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
1
2

下载完毕

此时我们安装的只是基础的CPU状态，如果需要使用GPU训练，需要在pytorch中找到适合自己的cuda版本的torch口令然后下载
1、打开pytorch官网 ：pytorch官网

2、向下翻动找到适配于自己cuda版本的指令 ：

例如说我的是CUDA 11.7版本，就选择对应的cuda指令

注：经过测试，当英伟达显卡超过1060系列的，基本上使用这条指令即可（如出现不兼容情况，欢迎留言）

# CUDA 11.7
conda install pytorch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 pytorch-cuda=11.7 -c pytorch -c nvidia
1
2

等安装完毕后，gpu的训练环境就基本配置结束。

四、制作数据集

1. 文件夹格式设置
   
   
   
   
2. 划分数据集
   采用如下代码划分为训练数据集、验证数据集和测试数据集

# 将图片和标注数据按比例切分为 训练集和测试集
import shutil
import random
import os

# 原始路径
image_original_path = "E:/A/lycium_barbarum/datasets/mydata/images/"
label_original_path = "E:/A/lycium_barbarum/datasets/mydata/labels/"

cur_path = os.getcwd()

# 训练集路径
train_image_path = os.path.join(cur_path, "E:/A/lycium_barbarum/datasets/images/train/")
train_label_path = os.path.join(cur_path, "E:/A/lycium_barbarum/datasets/labels/train/")

# 验证集路径
val_image_path = os.path.join(cur_path, "E:/A/lycium_barbarum/datasets/images/val/")
val_label_path = os.path.join(cur_path, "E:/A/lycium_barbarum/datasets/labels/val/")

# 测试集路径
test_image_path = os.path.join(cur_path, "E:/A/lycium_barbarum/datasets/images/test/")
test_label_path = os.path.join(cur_path, "E:/A/lycium_barbarum/datasets/labels/test/")

# 训练集目录
list_train = os.path.join(cur_path, "E:/A/lycium_barbarum/datasets/train.txt")
list_val = os.path.join(cur_path, "E:/A/lycium_barbarum/datasets/val.txt")
list_test = os.path.join(cur_path, "E:/A/lycium_barbarum/datasets/test.txt")

train_percent = 0.8
val_percent = 0.1
test_percent = 0.1


def del_file(path):
    for i in os.listdir(path):
        file_data = path + "\\" + i
        os.remove(file_data)


def mkdir():
    if not os.path.exists(train_image_path):
        os.makedirs(train_image_path)
    else:
        del_file(train_image_path)
    if not os.path.exists(train_label_path):
        os.makedirs(train_label_path)
    else:
        del_file(train_label_path)

    if not os.path.exists(val_image_path):
        os.makedirs(val_image_path)
    else:
        del_file(val_image_path)
    if not os.path.exists(val_label_path):
        os.makedirs(val_label_path)
    else:
        del_file(val_label_path)

    if not os.path.exists(test_image_path):
        os.makedirs(test_image_path)
    else:
        del_file(test_image_path)
    if not os.path.exists(test_label_path):
        os.makedirs(test_label_path)
    else:
        del_file(test_label_path)


def clearfile():
    if os.path.exists(list_train):
        os.remove(list_train)
    if os.path.exists(list_val):
        os.remove(list_val)
    if os.path.exists(list_test):
        os.remove(list_test)


def main():
    mkdir()
    clearfile()

    file_train = open(list_train, 'w')
    file_val = open(list_val, 'w')
    file_test = open(list_test, 'w')

    total_txt = os.listdir(label_original_path)
    num_txt = len(total_txt)
    list_all_txt = range(num_txt)

    num_train = int(num_txt * train_percent)
    num_val = int(num_txt * val_percent)
    num_test = num_txt - num_train - num_val

    train = random.sample(list_all_txt, num_train)
    # train从list_all_txt取出num_train个元素
    # 所以list_all_txt列表只剩下了这些元素
    val_test = [i for i in list_all_txt if not i in train]
    # 再从val_test取出num_val个元素，val_test剩下的元素就是test
    val = random.sample(val_test, num_val)

    print("训练集数目：{}, 验证集数目：{}, 测试集数目：{}".format(len(train), len(val), len(val_test) - len(val)))
    for i in list_all_txt:
        name = total_txt[i][:-4]

        srcImage = image_original_path + name + '.jpg'
        srcLabel = label_original_path + name + ".txt"

        if i in train:
            dst_train_Image = train_image_path + name + '.jpg'
            dst_train_Label = train_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_train_Image)
            shutil.copyfile(srcLabel, dst_train_Label)
            file_train.write(dst_train_Image + '\n')
        elif i in val:
            dst_val_Image = val_image_path + name + '.jpg'
            dst_val_Label = val_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_val_Image)
            shutil.copyfile(srcLabel, dst_val_Label)
            file_val.write(dst_val_Image + '\n')
        else:
            dst_test_Image = test_image_path + name + '.jpg'
            dst_test_Label = test_label_path + name + '.txt'
            shutil.copyfile(srcImage, dst_test_Image)
            shutil.copyfile(srcLabel, dst_test_Label)
            file_test.write(dst_test_Image + '\n')

    file_train.close()
    file_val.close()
    file_test.close()

if __name__ == "__main__":
    main()


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134

3. 制作data.yaml文件
   新建yaml文件，其中yaml文件与YOLOV8类似

train: E:/A/lycium_barbarum/datasets/images/train # train images (relative to 'path') 128 images
val: E:/A/lycium_barbarum/datasets/images/val # val images (relative to 'path') 128 images
test: E:/A/lycium_barbarum/datasets/images/test # test images (optional)

nc: 2

# Classes
names: ['immaturate', 'mature']

1
2
3
4
5
6
7
8
9
10

五、开始训练

使用PyCharm打开yolov9文件夹，并将环境转为刚建立的yolov9虚拟环境环境

首先更改小错误，打开utils/loss_tal.py文件，到第167行，将p改为p[0]

其次打开trian.py文件，更改如下几个位置：

–weights ： 此处更改为yolov9-c.pt的绝对路径
–cfg ： 此处更改为yolov9-c.yaml的绝对路径
–data ： 此处更改为data.yaml的绝对路径 ##上面4-3的data.yaml文件
–hyp ： 此处更改为data/hyps/hyp.scratch-high.yaml
原本是data/hyps/hyp.scratch-low.yaml 但该文件内并未找到，，，猜测为YOLOv9作者调试过程中的小疏忽
–project ： 此处更改为训练后文件保存的绝对路径
个人爱好，放源文件夹下太占地方，可不更改

最后开启正式训练：
在trian.py文件下右键【run ‘train’】

运行正常

六、报错解决

attributeerror: ‘FreeTypeFont‘ object has no attribute ‘getsize‘

这是因为安装了新版本的 Pillow (10)，pip install tf-models-official删除了该getsize 功能，降级到 Pillow 9.0.1 解决了该问题

# 降低版本
pip install Pillow==9.0.1
1
2

如有问题，欢迎大家一起交流，不胜感激！！！