本篇将讲解目前最新推出的YOLOv9搭配Roboflow进行自定义资料标注训练流程，透过Colab上进行实作说明，使大家能够容易的了解YOLOv9的使用。

►YOLO框架下载与导入

►Roboflow的资料收集与标注

进入Roboflow官网，点选右上Sign up注册自己的帐号，并进行登入。登入后，网站会引导进行workspace建置，名称与选项部分依照自身情况进行填写。

进行自定义资料集建置与上传

透过Roboflow工具进行资料标注，最后再将训练资料采用YOLOv9格式输出。

►自定义资料导入

►模型训练

►模型训练confusion matrix可视化

►模型训练结果可视化

►小结

透过以上讲解，在Colab上搭配Roboflow进行自定义资料收集与训练，能够更快的进行YOLOv9的模型训练，可以期待下一篇博文吧！

►Q&A

问题一： YOLOv9 如何解决讯息瓶颈问题:

YOLOv9引入了即时梯度资讯（PGI），透过辅助监督框架，用于生成可靠的梯度信息，便于在训练过程中通过权重更新。PGI辅助可逆分支来解决深度网络渐变导致的问题。

问题二：YOLOv9 batchsize设置:

批量大小是另一个重要的参数，它会影响模型的收敛速度和泛化性能。一般来说，较大的批量大小可以加速训练过程，但可能会导致模型的泛化性能下降。您可以通过试验不同的批量大小，观察训练和验证损失函数的变化情况，来找到最适合的批量大小。

问题三：YOLOv9 的正则化参数设置？

正则化参数用于控制模型的复杂度，防止过拟合。通常情况下，您可以开始使用较小的正则化参数，然后逐步增加它们的值，直到训练损失和验证损失之间的平衡。

问题四： YOLOv9 是否能够于嵌入端使用?

目前已能够透过tensorRT或NCNN，于嵌入端使用。

问题五：NCNN与tensorRT差异?

NCNN针对CPU效能进行部署与最佳化，记忆体占用率低，提供INT8量化支援。TensorRT针对GPU和CPU优化加速模型推理，支援INT8量化和FP16量化。对于嵌入端提供Nvidia GPU可以透过TensorRT进行加速。

►参考资料

【Day 25】客制化 YOLOv5 模型 (四)：标注资料、导出资料集

欢迎登录大大通，了解更多精彩内容！