一、代码及论文链接：

代码链接：https://github.com/WongKinYiu/yolov9/tree/main

论文链接：https://arxiv.org/abs/2402.13616

二、使用步骤

1.1 虚拟环境配置

创建一个虚拟环境用于单独对yolov9的环境进行配置：

conda create -n yolov9 python=3.8

配置虚拟环境的工程依赖

# 激活你的虚拟环境
activate yolov9
# cd到你的yolov9-main
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
# 这里我提前注释掉了torch的安装部分，需要自行安装gpu版的torch、torchvision

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。（我用的原博主的，因为我自己选的有问题hhh）

conda install pytorch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 pytorch-cuda=11.7 -c pytorch -c nvidia

找到适合自己的cuda版本方法：①打开NVIDIA控制面板：

一般按照上面操作，环境就配好了。可以在train.py里面调试一下使用torch.cuda.is_available()来判断是否GPU成功可用。

1.2 数据集准备

数据集：东北大学缺陷检测数据集（6类别缺陷）

数据集百度网盘链接：链接：https://pan.baidu.com/s/1QktBnMcDdsQaT6JQXBjNPA 
提取码：cslw                 数据集有效期：一年

新建datasets文件，包含images和labels。

新建my_data.yaml，内容如下：path改为自己的datasets位置

path: D:\documents\yolov9-main\datasets  # dataset root dir
train: images/train  # train images (relative to 'path') 128 images
val: images/val # val images (relative to 'path') 128 images
test: images/test # test images (optional)
 
nc: 6
 
# Classes
names:  
  0: xxx
  1: xxx

 

 

下载预训练文件

https://github.com/WongKinYiu/yolov9/releases/download/v0.1/yolov9-c-converted.pt

2.1 填写训练脚本

左上角点击文件，点击设置，设置环境为新建的环境yolov9

        打开YOLOv9工程下的train_dual.py脚本文件，并按图中依次填入以下路径：

2.2运行即可。

3.训练
       我这里租用的是云服务器，因此要配置一些环境（如果是拿自己电脑训练的话，就可以跳过环境配置）。

其实也很简单：pip install -r requirements.txt     apt-get update   apt-get install libglib2.0-dev

之后开始训练：

给大家看看前十次的训练结果

咋们看看结果

PR曲线，可以看出基本是吊打了之前的yolo

4.检测一下试试效果
先修改一下detect.py中的参数

1）这里需要将runs/train/exp5/weights中的best.pt复制到与detect.py同级目录下

2）在detect.py同级目录新建testfile文件夹，里面放你要检测的图像

3）修改coco128为my_data.yaml

好运行一下：python detect.py