引子
对于CV从业者来说，YOLO系列是个绕不过的经典结构，笔者遥想当年YOLO横空出世的时候，Faster RCNN还是学术界目标检测的翘楚。二阶段检测还是大行其道，不过时至今日，估摸着没有人再提二阶段目标检测的结构了。YOLO系列也从1更新到了9，这新鲜出炉的v9版本，我也来凑个热闹（虽然没有前几年那么热闹了）。OK，让我们开始吧。
一、环境安装
代码仓库
https://github.com/WongKinYiu/yolov9
git clone https://github.com/WongKinYiu/yolov9
（1）环境安装
conda create -n yolov9 python==3.9
conda activate yolov9
cd yolov9-main
pip install -r requirements.txt
oh，no，人生苦短，我选docker。
docker pull registry.cn-beijing.aliyuncs.com/codewithgpu2/wongkinyiu-yolov9:jlN3QNsRGq
二、测试
docker run --rm -it --gpus=all -v /datas/work/zzq:/workspace registry.cn-beijing.aliyuncs.com/codewithgpu2/wongkinyiu-yolov9:jlN3QNsRGq bash
cd /workspace/YOLOv9/yolov9-main
（1）训练
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
（2）评估
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
（3）推理
bug修改
line 903 in utils/general.py
line 675 in model/common.py
python detect.py --source data/images/bus.jpg --weights yolov9-e.pt --img 640
PS：右上角的自行车检测出来，还是惊艳到我了
（4）模型转换
转onnx
python export.py --weights weights/yolov9-e.pt --include onnx_end2end
PS：转换的时候很贴心，没有onnx，自动安装