铜陵市网站建设_网站建设公司_全栈开发者_seo优化

YOLOv9结果保存路径：runs/detect输出目录说明

1. 镜像环境说明

• 核心框架: pytorch==1.10.0
• CUDA版本: 12.1
• Python版本: 3.8.5
• 主要依赖: torchvision==0.11.0，torchaudio==0.10.0，cudatoolkit=11.3, numpy, opencv-python, pandas, matplotlib, tqdm, seaborn等。
• 代码位置:/root/yolov9

该镜像为YOLOv9官方训练与推理一体化环境，基于原始GitHub仓库构建，预配置了完整的深度学习工具链。用户无需手动安装PyTorch、CUDA驱动或OpenCV等复杂依赖，可直接进入模型训练、推理和评估流程。所有代码位于/root/yolov9目录下，结构清晰，便于快速调用。

2. 快速上手

2.1 激活环境

启动容器后，默认处于Conda的base环境，需先激活专用于YOLOv9的虚拟环境：

conda activate yolov9

此环境已集成所需版本的PyTorch与CUDA支持，确保模型运行时GPU可用性。

2.2 模型推理 (Inference)

进入YOLOv9主目录以执行检测任务：

cd /root/yolov9

使用以下命令进行图像目标检测示例：

python detect_dual.py --source './data/images/horses.jpg' --img 640 --device 0 --weights './yolov9-s.pt' --name yolov9_s_640_detect

参数说明：

• --source：输入源路径，支持图片、视频或摄像头设备。
• --img：推理时输入图像尺寸（默认640×640）。
• --device：指定GPU设备编号（0表示第一块GPU）。
• --weights：加载的模型权重文件路径。
• --name：自定义结果保存子目录名称。

输出路径解析

推理完成后，检测结果将自动保存在如下路径中：

/root/yolov9/runs/detect/yolov9_s_640_detect/

该路径由三部分构成：

1. runs/detect/：YOLO系列标准输出根目录；
2. yolov9_s_640_detect：由--name参数指定的实验名称；
3. 内部包含标注框绘制后的图像（如horses.jpg）、可视化统计图及标签文件（若启用保存标签）。

重要提示：每次运行detect_dual.py时，若--name相同，则结果会追加至同名目录；若不存在则新建。建议为不同实验设置唯一名称以便管理。

2.3 模型训练 (Training)

单卡训练命令示例如下：

python train_dual.py --workers 8 --device 0 --batch 64 --data data.yaml --img 640 --cfg models/detect/yolov9-s.yaml --weights '' --name yolov9-s --hyp hyp.scratch-high.yaml --min-items 0 --epochs 20 --close-mosaic 15

关键参数解释：

• --data：数据集配置文件，需按YOLO格式组织并更新其中的路径字段。
• --cfg：网络结构定义文件，对应不同规模的YOLOv9变体（如s/m/t等）。
• --weights：初始化权重路径，空字符串表示从零开始训练。
• --name：训练任务命名，决定日志与权重保存子目录名。
• --epochs：总训练轮数。
• --close-mosaic：在最后N个epoch关闭Mosaic增强策略，提升收敛稳定性。

训练输出路径

训练过程中生成的所有产物均存储于：

/root/yolov9/runs/train/yolov9-s/

其中包括：

• weights/：保存最佳（best.pt）和最终（last.pt）模型权重；
• results.png：各指标（mAP、precision、recall等）随训练过程的变化曲线；
• labels/：类别分布直方图；
• train_batch*.jpg：带增强效果的训练样本可视化；
• opt.yaml：本次训练所用超参快照。

3. 已包含权重文件

镜像内已预下载轻量级模型权重yolov9-s.pt，存放于主目录：

/root/yolov9/yolov9-s.pt

该权重适用于快速开展推理测试或作为微调起点。对于其他变体（如yolov9-m.pt,yolov9-c.pt），可通过官方链接自行下载并放入相同目录。

推荐做法：将自定义训练所得权重定期备份至外部挂载卷，防止容器销毁导致数据丢失。

4. 常见问题

数据集准备

请确保你的数据集遵循标准YOLO格式：

• 图像文件存放在images/目录；
• 对应标签（.txt）存放在labels/目录；
• 每个标签文件每行格式为：class_id center_x center_y width height（归一化坐标）；
• data.yaml中正确填写train,val,nc（类别数）和names（类别名列表）。

示例data.yaml片段：

train: /path/to/train/images val: /path/to/val/images nc: 80 names: ['person', 'bicycle', 'car', ...]

环境激活失败

若执行conda activate yolov9报错，可能原因包括：

• Conda未初始化：运行source ~/.bashrc或重启shell；
• 环境未注册：检查/opt/conda/envs/下是否存在yolov9文件夹；
• 权限不足：使用sudo权限或重建容器时赋予足够访问权限。

结果目录被覆盖？

当多次使用相同--name参数运行detect_dual.py或train_dual.py时，新结果将写入已有目录。虽然不会删除旧文件，但同名输出文件会被覆盖（如horses.jpg）。

规避方案：

• 使用时间戳命名：--name yolov9_s_test_$(date +%m%d_%H%M)
• 手动创建独立子目录，并修改输出逻辑（需调整脚本）

5. 参考资料

• 官方仓库: WongKinYiu/yolov9
• 文档说明: 详细用法请参考官方库中的 README.md 文件，涵盖多卡训练、ONNX导出、TensorRT部署等内容。
• 推理脚本说明：detect_dual.py是YOLOv9特有的双分支检测入口，支持传统CNN与可编程梯度信息融合模式。

6. 引用

@article{wang2024yolov9, title={{YOLOv9}: Learning What You Want to Learn Using Programmable Gradient Information}, author={Wang, Chien-Yao and Liao, Hong-Yuan Mark}, booktitle={arXiv preprint arXiv:2402.13616}, year={2024} }

@article{chang2023yolor, title={{YOLOR}-Based Multi-Task Learning}, author={Chang, Hung-Shuo and Wang, Chien-Yao and Wang, Richard Robert and Chou, Gene and Liao, Hong-Yuan Mark}, journal={arXiv preprint arXiv:2309.16921}, year={2023} }

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。