yolov9实现图像分割(gelan-c-seg.pt)步骤

一、YOLOv9 提供的 .pt 权重文件

YOLOv9 官方仓库（WongKinYiu/yolov9）中提供了以下几个预训练权重文件：

yolov9-c.pt：

表示 YOLOv9-C（Conventional）模型的预训练权重。
这是基于传统卷积的 YOLOv9 模型，适用于检测任务（Detection）。
如果想直接使用 YOLOv9 的原始架构进行训练，推荐选择这个权重。

yolov9-c-converted.pt：

表示 YOLOv9-C 的转换版本（Converted）。
这个文件通常是将原始权重转换为某种特定格式（可能是为了兼容其他框架或优化推理），但具体用途需要参考官方文档或代码注释。
训练时一般不直接使用这个，除非有特殊需求（例如推理优化或跨平台部署）。

gelan-c.pt：

表示 GELAN-C（Generalized Efficient Layer Aggregation Network）模型的预训练权重。
GELAN 是 YOLOv9 提出的一种轻量化网络架构，相比 YOLOv9-C 更高效，参数更少，计算量更低。
如果关注模型的效率（例如在边缘设备上部署）或想使用 GELAN 架构，推荐选择这个权重。

---

ps: pt文件选择

推荐选择：

• 如果你的任务是基于原始 YOLOv9 架构进行微调（Fine-tuning），使用 yolov9-c.pt。
• 如果你希望使用更高效的 GELAN 架构（尤其适合资源受限场景），使用 gelan-c.pt。
• yolov9-c-converted.pt 不建议用于训练，它是为推理优化的版本，训练时应使用原始权重。

选择依据：

• 硬件资源：gelan-c.pt 更轻量，适合 GPU 内存较小的环境。
• 任务需求：如果追求最高精度，yolov9-c.pt 可能更有优势（因为 YOLOv9-C 参数更多，表达能力更强）。

二、segment 目录下的 .yaml 文件解析

segment 目录下的 .yaml 文件是用于实例分割（Instance Segmentation）任务的模型配置文件。以下是具体文件的含义：

gelan-c-seg.yaml：

定义了 GELAN-C 的分割模型架构。
适用于实例分割任务，使用 GELAN 轻量化网络。

gelan-c-dseg.yaml：

定义了 GELAN-C 的双分支分割模型（Dual Segmentation）。
“dseg”可能表示 Dual-Head 或某种增强分割设计（具体需参考官方代码或论文），通常用于更复杂的分割任务。

yolov9-c-dseg.yaml：

定义了 YOLOv9-C 的双分支分割模型。
基于传统 YOLOv9-C 架构，适合需要更高精度的分割任务。

---

.yaml 和 .pt 的匹配规则：

.yaml 文件定义模型的网络结构，.pt 文件提供预训练权重，两者需要匹配才能正确加载。

• gelan-c-seg.yaml 和 gelan-c-dseg.yaml 对应 gelan-c-seg.pt。
• yolov9-c-dseg.yaml 对应 yolov9-c-seg.pt。

具体选择：

• 如果用 gelan-c.pt：
  用 gelan-c-seg.yaml 进行普通实例分割训练。
  用 gelan-c-dseg.yaml 进行增强型分割训练（如果你的数据集需要更复杂的分割能力）。
• 如果用 yolov9-c.pt：
  用 yolov9-c-dseg.yaml 进行分割训练。
• yolov9-c-converted.pt 不建议与这些 .yaml 文件搭配使用，因为它可能是转换后的权重，可能与分割任务不完全兼容。

三、具体操作步骤

1. 创建虚拟环境

conda activate yolov9 -n python=3.8
conda acitivate yolov9
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 数据准备

在主文件夹创建一个data.yaml文件，nc值，类别名称
json2txt(images\labels)
splitdata.py(train\test\val)

3. 训练

训练gelan-c-seg

models/segment/gelan-c-seg.yaml这个文件里面修改nc值

python segment/train.py --workers 8 --device 0 --batch 32  --data data.yaml --img 640 --cfg models/segment/gelan-c-seg.yaml --weights 'gelan-c-seg.pt' --name gelan-c-seg --hyp hyp.scratch-high.yaml --no-overlap --epochs 100 --close-mosaic 10

如果意外中断训练，可从断点继续训练

python segment/train.py --workers 8 --device 0 --batch 32 --data data.yaml --img 640 --cfg models/segment/gelan-c-seg.yaml --weights 'gelan-c-seg.pt' --name gelan-c-seg --hyp hyp.scratch-high.yaml --no-overlap --epochs 100 --close-mosaic 10 --resume 'C:/.../yolov9-main/yolov9-main/runs/train-seg/gelan-c-seg7/weights/last.pt'

训练yolov9-c-seg

python segment/train_dual.py --workers 8 --device 0 --batch 8  --data data/AntiGlareBoard.yaml --img 640 --cfg models/segment/TSFS-seg.yaml --weights 'yolov9-c-seg.pt' --name yolov9-c-seg-ST --hyp hyp.scratch-high.yaml --no-overlap --epochs 300 --close-mosaic 10 --save-period 1  --patience 30 --resume 'C:/Users/60542/Desktop/yolov9-c-seg-ST/yolov9-main/runs/train-seg/yolov9-c-seg-ST2/weights/last.pt'

注意：这里batch最大只能设8

验证

修改segment/val.py中的run()函数：save_json=True/save_txt=True…

python segment/val.py --workers 8 --device 0 --batch 32 --data data.yaml --img 640 --weights "C:/Users/.../runs/train-seg/gelan-c-seg7/weights/best.pt" --name gelan-c-seg-val --save-json --iou-thres 0.6 --conf-thres 0.001

yolov9
原码
论文

2025.3.20更新
代码

python segment/train.py --workers 8 --device 0 --batch 32  --data data/AntiGlareBoard.yaml --img 640 --cfg models/segment/yolov9-c-dseg.yaml --weights 'yolov9-c-converted.pt' --name yolov9-c-converted --hyp hyp.scratch-high.yaml --no-overlap --epochs 100 --close-mosaic 10

若标签txt文件不存在ADP，训练时会报错；要把空文件先删掉

python segment/train.py --workers 8 --device 0 --batch 32 --data data/AntiGlareBoard.yaml --img 640 --cfg models/segment/gelan-c-seg.yaml --weights ‘gelan-c-seg.pt’ --name gelan-c-seg --hyp hyp.scratch-high.yaml --epochs 100 --device 0

断点：

 python segment/train.py --workers 8 --device 0 --batch 16 --data data/AntiGlareBoard.yaml --img 640 --cfg models/segment/gelan-c-seg.yaml --weights C:/Users/60542/Desktop/yolov9-main/runs/train-seg/gelan-c-seg52/weights/last.pt --name gelan-c-seg --hyp hyp.scratch-high.yaml --no-overlap --epochs 30 --close-mosaic 10 --save-period 1