改进的YOLOv9+gui+单目测距与速度测量-pyqt

YOLOv9的最新创新点，截至2024年2月26日，公开信息中提到YOLOv9在目标检测领域实现了SOTA（state-of-the-art）性能，并且在实时性方面表现优秀，超过了RT-DETR、YOLOv8等先前版本和竞品。然而，具体的创新点细节没有直接提供。

gui界面 与交互式选择按钮！如下

YOLO系列模型通常会在以下几个方面进行迭

代和创新：

• 网络结构优化：可能会引入新的或改进的模块，比如E-ELAN模块，或者对Backbone架构进行改进以增强特征提取能力。
• 缩放方法：YOLOv7中提出的基于拼接模型的缩放方法可能也被应用到YOLOv9中，使得模型能够更灵活地适应不同的计算资源和精度需求

• 全局上下文建模：借鉴Global Context Block或其他全局注意力机制来提升对图像全局信息的利用，从而提高检测精度。
• 重参数化卷积（RepConvN）：YOLOv7中使用了重参数化卷积应用于残差模块，YOLOv9可能进一步发展了这一技术。
• 轻量化与效率：结合Ghost卷积、转置卷积以及高效通道注意力机制如ECA等实现模型的轻量化和加速，同时保持甚至提升检测性能。
• 信息损失减少：针对输入数据逐层处理导致的信息丢失问题，YOLOv9可能会提出新的策略来保留或恢复重要信息。

至于YOLOv9的实际效果图，由于没有具体资料展示，通常这类深度学习目标检测模型的效果图会包括多个示例，显示模型对不同场景下各类物体的准确检测框及其类别标注。

性能至于YOLOv9的实际效果图，由于没有具体资料展示，通常这类深度学习目标检测模型的效果图会包括多个示例，显示模型对不同场景下各类物体的准确检测框及其类别标注。

在MS COCO数据集上的表现

模型	测试图像尺寸	APval（所有IoU）	AP50val（IoU=0.5）	AP75val（IoU=0.75）	参数量（M）	FLOPs（G）
YOLOv9-S	640	46.8%	63.4%	50.7%	7.2	26.7
YOLOv9-M	640	51.4%	68.1%	56.1%	20.1	76.8
YOLOv9-C	640	53.0%	70.2%	57.8%	25.5	102.8
YOLOv9-E	640	55.6%	72.8%	60.6%	58.1	192.5

有用链接

展开

安装指南

推荐使用Docker环境

展开

评估方法

• yolov9-c.pt
• yolov9-e.pt
• gelan-c.pt
• gelan-e.pt

评估YOLOv9模型

python val_dual.py --data data/coco.yaml --img 640 --batch 32 --conf 0.001 --iou 0.7 --device 0 --weights './yolov9-c.pt' --save-json --name yolov9_c_640_val

gui界面 与交互式选择按钮！

评估gelan模型

# 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

执行上述命令后，您将得到以下结果：

平均精度 (AP) @[ IoU=0.50:0.95 | 区域=全部 | 最大检测数=100 ] = 0.530
平均精度 (AP) @[ IoU=0.50 | 区域=全部 | 最大检测数=100 ] = 0.702
平均精度 (AP) @[ IoU=0.75 | 区域=全部 | 最大检测数=100 ] = 0.578
平均精度 (AP) @[ IoU=0.50:0.95 | 区域=小 | 最大检测数=100 ] = 0.362
平均精度 (AP) @[ IoU=0.50:0.95 | 区域=中 | 最大检测数=100 ] = 0.585
平均精度 (AP) @[ IoU=0.50:0.95 | 区域=大 | 最大检测数=100 ] = 0.693
平均召回率 (AR) @[ IoU=0.50:0.95 | 区域=全部 | 最大检测数=1 ] = 0.392
平均召回率 (AR) @[ IoU=0.50:0.95 | 区域=全部 | 最大检测数=10 ] = 0.652
平均召回率 (AR) @[ IoU=0.50:0.95 | 区域=全部 | 最大检测数=100 ] = 0.702
平均召回率 (AR) @[ IoU=0.50:0.95 | 区域=小 | 最大检测数=100 ] = 0.541
平均召回率 (AR) @[ IoU=0.50:0.95 | 区域=中 | 最大检测数=100 ] = 0.760
平均召回率 (AR) @[ IoU=0.50:0.95 | 区域=大 | 最大检测数=100 ] = 0.844

训练准备

bash scripts/get_coco.sh

下载并获取MS COCO数据集的图片（训练、验证、测试）及标签。如果您之前使用过YOLO的不同版本，强烈建议删除train2017.cache和val2017.cache文件，并重新下载标签。

单GPU训练

训练YOLOv9模型

python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15

训练gelan模型

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 --min-items 0 --epochs 500 --close-mosaic 15

多GPU训练

训练YOLOv9模型

python -m torch.distributed.launch --nproc_per_node 8 --master_port 9527 train_dual.py --workers 8 --device 0,1,2,3,4,5,6,7 --sync-bn --batch 128 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15

训练gelan模型

python -m torch.distributed.launch --nproc_per_node 4 --master_port 9527 train.py --workers 8 --device 0,1,2,3 --sync-bn --batch 128 --data data/coco.yaml --img 640 --cfg models/detect/gelan-c.yaml --weights '' --name gelan-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15

最后，↓↓↓↓↓↓↓