yolov9,使用自定义的数据训练推理

[源码 🐋]( GitHub - WongKinYiu/yolov9: Implementation of paper - YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information)

[论文 📘](arxiv.org/pdf/2402.13616.pdf)

论文摘要：本文介绍了一种新的目标检测算法YOLOv9，该算法利用可编程梯度信息来学习用户想要学习的内容。通过在网络的反向传播过程中引入可编程梯度信息，我们可以指导网络学习特定的目标，从而提高检测的准确性和效率。

 1. 源码下载

1. git clone GitHub - WongKinYiu/yolov9: Implementation of paper - YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information
2. cd yolov9 

2. 配置 

      依赖库：torch

3. Data

YOLO format.

# class_id center_x center_y bbox_width bbox_height

Organize your directory of custom dataset as follows:

custom_dataset:/data/custom_data

├── images

│   ├── train

│   │   ├── train0.jpg

│   │   └── train1.jpg

│   └── test

│       ├── test0.jpg

│       └── test1.jpg

└── labels

    ├── train

    │   ├── train0.txt

    │   └── train1.txt

    └── test

        ├── test0.txt

        └── test1.txt

然后生成图像索引的txt文件

1. Train

   1. # python train.py --workers 8 --device 0 --batch 32 --data data/coco.yaml --img 640 --cfg models/detect/gelan-c.yaml --weights '' --name gelan-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15

   2. # train gelan models

   3. python train_dual.py --data data/coco_wj.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --close-mosaic 15

   4. # train yolov9 models
2. Evaluation

   1. # evaluate converted yolov9 models
      python val.py --data data/coco.yaml --img 640 --batch 32 --conf 0.001 --iou 0.7 --device 0 --weights './yolov9-c-converted.pt' --save-json --name yolov9_c_c_640_val# evaluate yolov9 models
      #python val_dual.py --data data/coco.yaml --img 640 --batch 32 --conf 0.001 --iou 0.7 --device 0 --weights './yolov9-c.pt' --save-json --name yolov9_c_640_val# evaluate gelan models
      # python val.py --data data/coco.yaml --img 640 --batch 32 --conf 0.001 --iou 0.7 --device 0 --weights './gelan-c.pt' --save-json --name gelan_c_640_val

1. Inference
   1. Python detect.py
      1. 下载权重yolov9-c.pt，并放在yolov9下，然后在代码中指定权重和图片
      2. 错误：nms：官方解释The first prediction is from aux branch, so choose second prediction.

      3. # prediction = prediction[0]  # select only inference outputprediction = prediction[0][1]  #  zqj20240226 prediction[0][0]两个结果不同

2. Deploy
   1. 转onnx
      1. 使用第三方的转换+NMSPlugin
      2. 使用自带的export.py，可以生成onnx，但是转engine报错“/weight.28 ****”

                        [博客 📰](https://github.com/thaitc-hust/yolov9-tensorrt/blob/main/torch2onnx.py)

                        Torch2onnx.py

                        add_nms_plugins.py   # add BatchedNMSDynamic_TRT

                        也可以将这两个文件拷贝到yolov9下，生成onnx和onnx-nms

               2. 转engine:trtexec

1. 测试结果
2. 
3. 耗时统计-640-batch4-rtx3060

        显存1877MB  cpu负载86%  内存12.1% 耗时57ms

未完待续