YOLOv9【训练+训练过程中的报错处理】_yolov9 python train.py 报错assertionerror: file not -优快云博客

本文介绍了YOLOv9的目标检测模型训练过程，包括论文简介、训练前的环境搭建和数据集准备。在训练过程中，作者遇到了文件定位错误和依赖包版本不匹配的问题，并给出了详细的解决办法，如修改配置文件、降低依赖包版本等。文章还分享了训练时可能遇到的显存不足问题及解决策略，并提到了模型大小对训练的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

科技发展的速度真的是很快呀！YOLOv8还没有捂热，YOLOv9就出来了，先一睹为快！

论文：https://arxiv.org/pdf/2402.13616.pdf （YOLOv9: Learning What You Want to Learn
Using Programmable Gradient Information）

代码 Github：https://github.com/WongKinYiu/yolov9

资源：https://download.youkuaiyun.com/download/A__MP/88908327

1.1 指标/参数比较图（MS COCO 数据集）
在这里插入图片描述
1.2 性能对比表

其他的细节，可以去论文中看看，感觉改的东西还是挺多的，下面直接进行训练部分。

写在前面：YOLOv9的训练文件（train.py）设计与YOLOv5是非常相似的，所以如果你使用过YOLOv5的话，操作YOLOv9的训练还是很简单的。

【2.1 训练前准备】

2.1.1 虚拟环境搭建

关于这部分操作前面我写过一篇文章，可以看看，这次调试YOLOv9的时候，我顺着走了一遍，问题不大，只不过YOLOv8变YOLOv9，链接如下。

搭建虚拟环境：https://blog.youkuaiyun.com/A__MP/article/details/136331757

2.1.2:数据集准备

我测试过了，数据集的文件目录与YOLOv8一致，是可以进行训练的。也就是说，如果你前一段时间在玩YOLOv8，你完全可以将你的数据集“移植过来”，只需要改变一下你的data.yaml中的路径。

当然，你也可以使用YOLOv5的数据集文件目录格式，也是可以行得通的。这么说吧，这两种是互通的，在YOLOv8上我试过了，不过我建议使用YOLOv8的格式，比较规整和舒服。

**数据集准备：**https://blog.youkuaiyun.com/A__MP/article/details/136411203

（注意：因为这篇重点讲训练过程，所以前两个过程分享了两个链接，麻烦了。）

【2.2：训练】 （准备好就可以开始训练了！！）

2.2.1 打开项目，并安装依赖包

首先，利用Pycharm打开下载好的YOLOv9项目。看右下角所处的虚拟环境是否是自己设置的，如果不是，请修改回来。 https://blog.youkuaiyun.com/A__MP/article/details/136357068 这个链接中的前两步。

注意：使用pip install -r requirements.txt 下载依赖包的时候有时候会下载的很慢（十几KB/s），这个时候可以使用镜像源来辅助下载。

常用的镜像源有以下几种

YOLOv9【训练+训练过程中的报错处理】