YOLOv9本地部署+4090训练实测
yolov9
YOLOv9是前沿的对象检测框架，它通过利用可编程梯度信息实现高效学习，带来显著的性能提升。这个开源项目在MS COCO数据集上展示出卓越的准确性与速度平衡，模型大小从轻量级到大型不等，满足不同场景需求。例如，YOLOv9-C在保持紧凑的参数量（25.3M）下，实现了53.0%的高平均精度。开发者不仅能够享受到即刻部署的乐趣，还能通过丰富的社区资源进行模型转换、加速推理和多任务学习，支持如TensorRT、ONNX、OpenVINO等技术，以及在ROS中的集成应用。无论是深入研究还是实际项目应用，YOLOv9都是一个强大且灵活的选择，为计算机视觉领域的爱好者和专业人士提供了一个高性能的工具包。【此简介由AI生成】
项目地址：https://gitcode.com/gh_mirrors/yo/yolov9
免费下载资源
·
刚换了4090，看到yolov9出了，于是趁热度本地部署并简单跑一下COCO做时长性能测试。
没有用官方推荐的Nvidia-docker（配置好之后还是有点问题，不能成功运行和导入预训练模型，应该是我自己的配置问题），选择conda+Python3.9+cuda11.5+torch1.11.0，其余直接 'pip install -r requirements.txt' 即可。
有点需要注意的是建议装完环境后把pillow退回到9.5.0（'pip install Pillow==9.5.0'），保持更高版本也会正常运行，但会报错没有getsize函数，退版本后只有一个warning，不影响运行。
直接借助yolov9-c.pt预训练模型进行detect检测，需要先进入utils/general.py中在 'device=prediction.device' 语句前添加一句 'prediction=prediction[0]' ，我实测不添加的话会遇到报错list没有divice变量。检测效果确实很棒（那个红酒杯和遥控器吓到我了），如下所示：
使用coco2017跑一个epoch，其余默认，4090实测最高显存占用能达到24153MB（几乎爆了就岌岌可危属于是），一个epoch训练时长接近58min，大家可以自己比较。
GitHub 加速计划 / yo / yolov9
8.7 K
1.33 K
下载
YOLOv9是前沿的对象检测框架，它通过利用可编程梯度信息实现高效学习，带来显著的性能提升。这个开源项目在MS COCO数据集上展示出卓越的准确性与速度平衡，模型大小从轻量级到大型不等，满足不同场景需求。例如，YOLOv9-C在保持紧凑的参数量（25.3M）下，实现了53.0%的高平均精度。开发者不仅能够享受到即刻部署的乐趣，还能通过丰富的社区资源进行模型转换、加速推理和多任务学习，支持如TensorRT、ONNX、OpenVINO等技术，以及在ROS中的集成应用。无论是深入研究还是实际项目应用，YOLOv9都是一个强大且灵活的选择，为计算机视觉领域的爱好者和专业人士提供了一个高性能的工具包。【此简介由AI生成】
最近提交(Master分支：2 个月前 )
5b1ea9a8 - 5 个月前
0bf4f52b - 5 个月前
旨在为数千万中国开发者提供一个无缝且高效的云端环境，以支持学习、使用和贡献开源项目。
更多推荐
10
0- 0
已为社区贡献1条内容
所有评论(0)