文章目录
- 1、自己动手制造一个YOLOv9-S网络结构
- 1.1 改前改后的网络结构（参数量、计算量）对比
- 1.2 一些发现，YOLOv9代码打印的参数量计算量和Github上提供的并不一致，甚至yolov9-c.yaml代码打印出来是Github的两倍
- 1.3 开始创造YOLOv9-S
- 2、开始训练
- 3、验证
- 3.1 修改val.py中的以下参数
- 3.2 命令验证
1、自己动手制造一个YOLOv9-S网络结构
- 重点参考的链接：YOLOv9改进 | 提供YOLOv9全系列支持YOLOv9n、YOLOv9s、V9m、V9l、V9x的修改方式（全网独家首发）
1.1 改前改后的网络结构（参数量、计算量）对比
改前的yolov9.yaml参数量58.35M，计算量267.1GFLOPs
改后的yolov9-S.yaml参数量15.60M，计算量67.7GFLOPs
- 这是修改
前调用的yolo.py测试的yolov9.yaml的打印网络情况，包含参数量、计算量
- 这是修改
后调用的yolo.py测试的yolov9-S-lwd.yaml的打印网络情况，包含参数量、计算量
1.2 一些发现，YOLOv9代码打印的参数量计算量和Github上提供的并不一致，甚至yolov9-c.yaml代码打印出来是Github的两倍
1.3 开始创造YOLOv9-S
- 在
models/yolo.py文件中，Ctrl+F定位到args = [c1, c2, *args[1:]]，然后再如下位置添加代码
# --------------------------添加的代码--------------------------- #
if m in (RepNCSPELAN4,):
args[1] = make_divisible(args[1] * gw, 8)
args[2] = make_divisible(args[2] * gw, 8)
args[3] = max(round(args[3] * gd), 1) if n > 1 else n
# --------------------------添加的代码--------------------------- #
- 还是在
models/yolo.py中，定位到elif m is CBLinear，然后做如下更改
c2 = [int(x * gw) for x in args[0]]
- 修改模型配置文件：直接拷贝
models/detect/yolov9.yaml然后重命名为yolov9-S.yaml，并做以下更改
2、开始训练
根据需求修改train.py中的以下参数：
需要注意的是，这里只能写成这样，因为官方只给了这一个超参数设置文件：
键入以下命令开始训练：
python train.py --name yolov9-S
报错了
⭐然后就根据这个博客yolov9训练自己的数据集+验证+报错修改里面参考的YOLOV9保姆级教程，在utils/loss_tal.py中进行了如下修改：
Okay！开始训练，坐等结果~
保姆级的大佬真的好啊，给我的回答很详细，贴上来！
3、验证
3.1 修改val.py中的以下参数
另外为了多显示几位精度，在val.py中进行如下更改：
3.2 命令验证
python val.py --name yolov9-S
报错：AttributeError: 'list' object has no attribute 'device'
解决方案：
验证结果：
