YOLOv9官方镜像快速入门：三步完成图片检测，支持自定义数据集训练

YOLOv9官方镜像快速入门：三步完成图片检测，支持自定义数据集训练

1. 环境准备与快速部署

YOLOv9官方训练与推理镜像已经预装了完整的深度学习开发环境，包含所有必要的依赖项。这意味着你不需要手动安装Python、CUDA或PyTorch，也不需要下载权重文件——一切都已准备就绪。

1.1 镜像环境说明

• 操作系统: Ubuntu 20.04 LTS
• Python版本: 3.8.5
• PyTorch版本: 1.10.0
• CUDA版本: 12.1
• 代码位置:/root/yolov9
• 预训练权重:/root/yolov9/yolov9-s.pt

1.2 激活环境

启动镜像后，第一件事是激活预配置的conda环境：

conda activate yolov9

激活成功后，命令行前缀会显示(yolov9)，表示环境已正确加载。

2. 三步完成图片检测

2.1 进入代码目录

所有YOLOv9的代码和示例数据都存放在/root/yolov9目录下：

cd /root/yolov9

你可以用ls命令查看目录内容：

ls -F

2.2 运行检测命令

使用以下命令对示例图片进行检测：

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

这个命令会：

1. 加载预训练的YOLOv9-s模型
2. 对horses.jpg进行目标检测
3. 将结果保存到runs/detect/yolov9_s_640_detect目录

2.3 查看检测结果

检测完成后，结果会自动保存在runs/detect/yolov9_s_640_detect目录。你可以用以下命令查看：

ls runs/detect/yolov9_s_640_detect/

如果想在终端中预览结果图片，可以安装ImageMagick后使用：

display runs/detect/yolov9_s_640_detect/horses.jpg

3. 使用自定义图片进行检测

3.1 上传你的图片

你可以上传自己的图片到镜像中进行检测。推荐将图片放在/root/yolov9/data/images/目录下。

如果你使用SSH连接，可以用scp命令上传：

scp your_image.jpg root@your_server_ip:/root/yolov9/data/images/

3.2 检测自定义图片

假设你上传的图片名为my_image.jpg，运行以下命令进行检测：

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

结果会保存在runs/detect/my_custom_detect/目录下。

4. 训练自定义数据集

4.1 准备数据集

YOLOv9要求数据集采用YOLO格式：

• 每张图片对应一个同名的.txt文件
• 每个.txt文件包含对象的类别和边界框坐标

数据集目录结构示例：

/root/my_dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/

4.2 创建data.yaml

在数据集目录下创建data.yaml文件：

train: /root/my_dataset/images/train/ val: /root/my_dataset/images/val/ nc: 3 # 类别数量 names: ['cat', 'dog', 'person'] # 类别名称

4.3 启动训练

运行以下命令开始训练：

python train_dual.py \ --workers 8 \ --device 0 \ --batch 16 \ --data /root/my_dataset/data.yaml \ --img 640 \ --cfg models/detect/yolov9-s.yaml \ --weights '' \ --name my_custom_train \ --hyp hyp.scratch-high.yaml \ --epochs 50

训练完成后，最佳模型会保存在runs/train/my_custom_train/weights/best.pt。

5. 常见问题解答

5.1 环境问题

问题: 运行命令时报错"ModuleNotFoundError: No module named 'torch'"

解决: 确保已激活正确的conda环境：

conda activate yolov9

5.2 路径问题

问题: "FileNotFoundError: [Errno 2] No such file or directory"

解决: 检查文件路径是否正确，建议使用绝对路径而非相对路径。

5.3 显存不足

问题: "CUDA out of memory"

解决: 减小batch size参数：

--batch 16 # 改为更小的值，如8或4

6. 总结

通过本教程，你已经学会了：

1. 如何快速部署YOLOv9官方镜像
2. 三步完成图片检测的方法
3. 使用自定义图片进行检测
4. 训练自己的数据集

YOLOv9的强大功能现在已完全在你的掌控之中。无论是简单的图片检测还是复杂的自定义训练，这个镜像都能让你轻松上手。

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。