YOLOv9 从零开始部署实战指南（CPU版本）：环境配置、项目搭建与测试详解（二）
六、在PyCharm中打开项目并配置解释器
为了方便编辑代码、运行调试，我们使用PyCharm作为IDE。
6.1 用PyCharm打开项目
启动PyCharm，点击“Open” → 选择
D:\yolov9-main文件夹 → OK。首次打开可能会提示“没有配置Python解释器”，我们先不管，稍后手动配置。
6.2 配置虚拟环境解释器
点击菜单栏
File→Settings（Windows）或PyCharm→Preferences（macOS）。左侧找到
Project: yolov9-main→Python Interpreter。点击右侧齿轮图标 ⚙️ →
Add...。在弹出的窗口中选择
Virtualenv Environment→Existing environment。点击
Interpreter右侧的三个点...，浏览找到我们之前创建的虚拟环境中的python.exe：路径一般为：D:\Anaconda3\envs\yolov9\python.exe（如果你Anaconda安装在D盘）或C:\Users\你的用户名\anaconda3\envs\yolov9\python.exe（默认安装位置）。选中该python.exe后，点击
OK→Apply→OK。
https://media/image9.png（图示：选择Existing environment并定位到yolov9环境）
配置完成后，PyCharm底部状态栏会显示当前解释器为python 3.9 (yolov9)，并且File→Settings中的包列表会与conda环境同步。PyCharm会自动索引项目文件和依赖库，等待右下角进度条完成即可。
6.3 测试环境是否正常
在PyCharm中打开detect.py文件，在任意位置右键 →Run 'detect'（或点击右上角绿色三角形）。如果控制台没有报“No module named torch”等错误，说明环境配置成功。当然此时还没修改权重路径，运行会因找不到权重而报错，这是正常的。
七、修改detect.py并执行目标检测
7.1 理解detect.py的主要参数
YOLOv9的detect.py负责对单张图片、图片文件夹、视频或摄像头流进行推理。核心参数包括：
--weights：指定权重文件路径。--source：指定输入源（图片路径、文件夹路径、视频路径或数字0表示摄像头）。--conf-thres：置信度阈值，默认0.25。--iou-thres：NMS的IoU阈值，默认0.45。--device：可选cpu或cuda，我们使用cpu。--save-txt：是否保存检测框坐标到txt文件。--project：结果保存目录，默认runs/detect。
在代码中，这些参数通过argparse解析。我们需要将--weights默认值改为我们放好的权重路径。
7.2 修改 detect.py 参数
定位到 parse_opt() 函数，修改以下参数默认值：
def parse_opt(): parser = argparse.ArgumentParser() parser.add_argument('--weights', nargs='+', type=str, default='yolov9-t-converted.pt', help='model path(s)') parser.add_argument('--device', default='cpu', help='cuda device, i.e. 0 or 0,1,2,3 or cpu') ...将default='yolov9-c.pt'改为default='yolov9-t-converted.pt'，因为我们要使用轻量级权重。
关键参数说明：
- --weights：指定转换后的权重文件
- --device：强制设为 'cpu' 确保无 GPU 环境运行
- --source：保持默认 'data/images' 处理该文件夹下所有图片
完整修改示例：
def parse_opt(): parser = argparse.ArgumentParser() parser.add_argument('--weights', nargs='+', type=str, default='yolov9-t-converted.pt', help='model path(s)') parser.add_argument('--source', type=str, default='data/images', help='file/dir/URL/glob/screen/0(webcam)') parser.add_argument('--data', type=str, default='data/coco.yaml', help='dataset.yaml path') parser.add_argument('--imgsz', '--img', '--img-size', nargs='+', type=int, default=[640], help='inference size h,w') parser.add_argument('--conf-thres', type=float, default=0.25, help='confidence threshold') parser.add_argument('--iou-thres', type=float, default=0.45, help='NMS IoU threshold') parser.add_argument('--max-det', type=int, default=1000, help='maximum detections per image') parser.add_argument('--device', default='cpu', help='cuda device, i.e. 0 or 0,1,2,3 or cpu') parser.add_argument('--view-img', action='store_true', help='show results') parser.add_argument('--save-txt', action='store_true', help='save results to *.txt') parser.add_argument('--save-conf', action='store_true', help='save confidences in --save-txt labels') parser.add_argument('--save-crop', action='store_true', help='save cropped prediction boxes') parser.add_argument('--nosave', action='store_true', help='do not save images/videos') parser.add_argument('--classes', nargs='+', type=int, help='filter by class: --classes 0, or --classes 0 2 3') parser.add_argument('--agnostic-nms', action='store_true', help='class-agnostic NMS') parser.add_argument('--augment', action='store_true', help='augmented inference') parser.add_argument('--visualize', action='store_true', help='visualize features') parser.add_argument('--update', action='store_true', help='update all models') parser.add_argument('--project', default='runs/detect', help='save results to project/name') parser.add_argument('--name', default='exp', help='save results to project/name') parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment') parser.add_argument('--line-thickness', default=3, type=int, help='bounding box thickness (pixels)') parser.add_argument('--hide-labels', default=False, action='store_true', help='hide labels') parser.add_argument('--hide-conf', default=False, action='store_true', help='hide confidences') parser.add_argument('--half', action='store_true', help='use FP16 half-precision inference') parser.add_argument('--dnn', action='store_true', help='use OpenCV DNN for ONNX inference') parser.add_argument('--vid-stride', type=int, default=1, help='video frame-rate stride') opt = parser.parse_args() opt.imgsz *= 2 if len(opt.imgsz) == 1 else 1 # expand return opt关键修改点：
default='yolov9-t-converted.pt'default='cpu'（原可能为0或'cuda'，必须改为'cpu'以保证在无GPU环境运行）
除此之外，--source参数指定输入源。你可以放一张测试图片在项目目录下，比如data/images/bus.jpg（该文件夹默认存在一些样例图片），或者自己任意一张图片。我们先保持default='data/images'，这会让detect.py处理该文件夹下的所有图片。
7.3 运行detect.py
在PyCharm中右键detect.py→Run 'detect'，或者在终端（已激活yolov9环境）中执行：
python detect.py你将看到如下运行信息：
text YOLOv9 🚀 v0.1 (PyTorch) ... Fusing layers... Model summary: 387 layers, 6048740 parameters, 0 gradients, 20.1 GFLOPs image 1/2 D:\yolov9-main\data\images\bus.jpg: 640x512 4 persons, 1 bus, 1 stop sign, Done. (2.3s) image 2/2 D:\yolov9-main\data\images\zidane.jpg: 384x640 2 persons, 2 ties, Done. (1.9s) Results saved to runs\detect\exp检测完成后，打开项目根目录下的runs/detect/exp文件夹，就能看到带检测框的输出图片，文件名与原图相同（如bus.jpg）。
7.4 检测单张自定义图片
方法一：命令行传参（推荐）
终端输入：
python detect.py --weights yolov9-t-converted.pt --source "D:/my_photo.jpg" --device cpu方法二：修改源码
编辑detect.py，将--source的默认值改为目标图片路径，直接运行脚本。
7.5 参数调优建议
--conf-thres：漏检时降低（如 0.2），误检时提高（如 0.5）。--iou-thres：密集目标可设为 0.3~0.4 减少重叠框。--save-txt：保存检测结果为文本文件（类别 ID、归一化坐标）。
八、常见问题解决
8.1 运行时提示“No module named 'torch'”
原因：PyCharm或终端没有使用正确的虚拟环境。
解决方法：
在PyCharm中检查
File→Settings→Python Interpreter，确保选中yolov9环境。在终端中先执行
conda activate yolov9，再运行python detect.py。
8.2 找不到权重文件“yolov9-t-converted.pt”
原因：权重文件没有放在项目根目录，或者文件名大小写不一致。
解决方法：
确认文件存在于
D:\yolov9-main\yolov9-t-converted.pt。如果文件名是
yolov9-t.pt，请修改detect.py中的default值为'yolov9-t.pt'。
8.3 检测速度非常慢（每张图片几秒甚至十几秒）
原因：CPU推理本身不如GPU快，加上YOLOv9模型规模较大。
优化建议：
使用更轻量的权重如
yolov9-t.pt（t表示tiny）。降低输入图片尺寸：修改
--imgsz为[320]（但会降低精度）。使用
--half参数开启半精度推理（需PyTorch支持，CPU上可能会快一点点，但效果有限）。升级你的CPU（多核高频）或考虑使用OpenVINO等加速框架。
8.4 安装requirements.txt时出现“Failed building wheel for pycocotools”
原因：Windows下缺少C++编译环境。
解决方法：使用conda安装预编译版本
conda install -c conda-forge pycocotools8.5 运行时提示“ValueError: not enough values to unpack (expected 3, got 0)”
原因：图片路径无效或图片格式不支持。
解决方法：检查--source路径是否存在，确保文件是.jpg/.png等常见格式。
九、进阶：使用自己的图片或视频进行批量检测
批量检测图片
将图片放入文件夹（如D:\test_images），执行：
python detect.py --source D:\test_images --weights yolov9-t-converted.pt --device cpu视频检测
处理视频文件：
python detect.py --source D:\demo_video.mp4 --weights yolov9-t-converted.pt --device cpu输出视频保存在runs/detect/exp，文件名与原视频一致。
摄像头实时检测
连接 USB 摄像头后执行：
python detect.py --source 0 --weights yolov9-t-converted.pt --device cpu --view-img按q键退出实时窗口。
十、总结与展望
到这里，你已经成功完成了YOLOv9在CPU环境下的完整部署，并实现了对图片、视频甚至摄像头的目标检测。尽管CPU推理速度无法与GPU相提并论，但对于学习算法原理、轻量级应用和原型验证已经绰绰有余。
本教程的核心收获：
掌握使用conda创建隔离Python环境的方法。
学会安装CPU版PyTorch以及YOLOv9的依赖库。
熟悉PyCharm配置虚拟解释器的流程。
能够修改detect.py参数并运行目标检测任务。
了解常见问题的调试技巧。
下一步你可以尝试：
使用自己的数据集对YOLOv9进行微调（训练需要GPU，可借助Google Colab免费算力）。
将YOLOv9导出为ONNX格式，使用OpenCV DNN或ONNX Runtime在CPU上获得更快的推理速度。
部署到树莓派、Jetson Nano等边缘设备，实现离线智能相机。
YOLOv9的发布再次推动了实时目标检测的边界，希望本教程能帮助你在自己的项目中快速应用这项技术。如果在实践中遇到任何问题，欢迎查阅YOLOv9官方GitHub仓库的Issues，或参与社区讨论。
Happy Coding！ 🚀