yolov9 训练 YOLOv9n

YOLOv9是一种目标检测算法，它是YOLO（You Only Look Once）系列算法的最新版本。YOLOv9是由Alexey Bochkovskiy等人开发的，它在YOLOv3的基础上进行了改进和优化。

训练YOLOv9n需要以下步骤：
1. 数据准备：收集并标注用于训练的图像数据集，确保每个目标都有正确的边界框标注。
2. 模型配置：根据需要的检测类别数量和其他参数，配置YOLOv9n模型的网络结构和超参数。
3. 模型初始化：使用预训练的权重文件或从头开始随机初始化模型的权重。
4. 数据增强：对训练数据进行增强操作，如随机裁剪、缩放、旋转等，以增加数据的多样性和泛化能力。
5. 模型训练：使用标注好的数据集对YOLOv9n模型进行训练，通过反向传播和优化算法不断更新模型的权重。
6. 模型评估：使用验证集或测试集评估训练好的模型在目标检测任务上的性能，如准确率、召回率等指标。
7. 模型调优：根据评估结果，调整模型的超参数或网络结构，进一步提升模型的性能。
8. 模型保存：保存训练好的YOLOv9n模型权重，以备后续使用。

相关问题

yolov9训练metrics为0

### YOLOv9 训练过程中 metrics 为 0 的可能原因及解决方案

在处理YOLOv9训练期间遇到的metrics为零的情况时，可以从多个角度来排查和解决问题。

#### 数据集配置文件设置不当
如果数据集配置文件`data.yaml`中的路径或者其他参数设定不正确，则可能导致模型无法获取有效的标签信息，从而使得评估指标(metrics)始终为零。因此建议仔细核对数据集配置文件的内容，确保其准确性[^1]。

train: ./datasets/train/images/
val:   ./datasets/valid/images/

nc: 80
names: ['person', 'bicycle', ... ]

#### 学习率调整不合理
初始学习率过高可能会造成梯度爆炸等问题；而过低则会使收敛速度变得极其缓慢甚至停滞不前。对于特定硬件环境下的某些情况（例如使用1660 Super显卡），适当降低默认的学习率或者关闭自动混合精度(AMP)，有助于提高训练过程中的数值稳定性，进而改善性能表现[^2]。

yolo train \
    data=demo/data.yaml \
    model=demo/yolov8n.pt \
    epochs=10 \
    lr0=0.001 \          # 调整后的较低起始学习率
    batch=4 \
    amp=False            # 关闭自动混合精度支持

#### 批量大小(batch size)不合适
批量大小的选择同样重要。太大的批次会占用过多内存资源，并且不利于优化器找到最优解；反之亦然。针对不同规模的数据集以及计算设备的具体状况合理选择合适的batch size至关重要。

#### 模型初始化存在问题
有时候预训练权重加载失败或者是自定义网络结构设计有误也会引发此类现象。确认所使用的`.pt`文件确实适用于当前版本框架并且能够成功导入是非常必要的。

通过上述几个方面逐一验证并作出相应修改之后再尝试重新启动训练流程应该可以有效地缓解乃至彻底解决这个问题。

利用yolov9训练自己的数据集

### 使用YOLOv9训练自定义数据集

目前官方发布的YOLO系列版本最高为YOLOv8，尚未有正式的YOLOv9发布信息[^1]。因此，在讨论如何使用YOLOv9训练自定义数据集之前，建议确认所指的具体框架或实现。

假设存在一个名为YOLOv9的假定扩展或社区开发版本，基于现有YOLO架构的一般流程，可以推测出类似的配置方法：

#### 配置环境
确保安装了必要的依赖库并设置了Python虚拟环境。对于大多数YOLO变体而言，这通常涉及`pip install -r requirements.txt`命令来安装所需的包。

#### 准备数据集
创建适合YOLO格式的数据集结构，包括图像文件夹和标签文件夹。每个标注应遵循YOLO格式，即每行表示一个对象的位置及其类别索引。

#### 修改配置文件
编辑`.yaml`配置文件以适应新的数据集需求。此文件需指定路径到训练/验证图片目录以及类别的数量等参数。

train: ./data/custom/train/images/
val:   ./data/custom/valid/images/

nc: 1 # 类别数
names: ['cat'] # 类别名称列表

#### 启动训练过程
通过CLI指令启动训练会话。如果确实存在YOLOv9，则可能沿用相似语法调用训练脚本，并传递相应的超参数选项。

yolo task=detect \
mode=train \
model=yolov9n.yaml \ 
data=./data/custom/data.yaml \
epochs=100 \
imgsz=640 \
resume=True

上述命令中的`resume=True`允许从中断处继续之前的训练进程。