Mac YOLO V9本地训练（命令行模式）

环境：

Mac M1 (MacOS Sonoma 14.3.1)

Python 3.11+PyTorch 2.1.2

一、YOLO v9工程及模型准备

详见：Mac YOLO V9推理测试-CSDN博客

二、数据集准备

Roboflow Universe上有许多小规模的数据集，很适合用来进行目标检测。

首先安装依赖

pip install roboflow

其次编写以下Python代码下载football-players-detection数据集。

import roboflow

roboflow.login()
rf = roboflow.Roboflow()
project = rf.workspace("roboflow-jvuqo").project("football-players-detection-3zvbc")
version = project.version(8)
dataset = version.download("yolov9")

运行下载代码，首次Roboflow需要进行身份验证。

点击链接，注册/登录，方便起见可以使用Google账号登录。

登录后创建自己的workspace，创建workspace后创建一个Project。

此时，再回到Python下载代码，停止并重新运行一遍，控制台出现https://app.roboflow.com/auth-cli链接后再次点击，跳转后即可看到验证码。

将验证码复制到控制台上，按回车键，即可开始下载。

下载完后在yolov9目录下有football-players-detection-8文件夹。

三、开始训练

训练采用的预训练模型是yolov9-c.pt。

训练命令：

python train_dual.py --batch 16 --epochs 10 --img 640 --device mps --min-items 0 --close-mosaic 15 --data football-players-detection-8/data.yaml --weights /Users/zhujiahui/Local/model/yolov9/yolov9-c.pt --cfg models/detect/yolov9-c.yaml --hyp hyp.scratch-high.yaml

逐行模式：

python train_dual.py --batch 16 --epochs 10 --img 640 --device mps \
--min-items 0 --close-mosaic 15 \
--data football-players-detection-8/data.yaml \
--weights /Users/zhujiahui/Local/model/yolov9/yolov9-c.pt \
--cfg models/detect/yolov9-c.yaml \
--hyp hyp.scratch-high.yaml

yolov9-c.pt训练尽量采用train_dual.py

--batch_size：batch大小

--epochs：迭代次数

--img：统一输入图片大小为640，改变的是进入卷积操作时的图片大小

--device：GPU设备名，如果是Mac，设置为mps或cpu；如果有NVIDIA GPU，则可以设置为0/1/2之类的

--min-items：数据集batch最少数目

--close-mosaic：禁用mosaic增强的最后第几个轮次，Mosaic数据增强方法是YOLOV4论文中提出来的，主要思想是将四张图片进行随机裁剪，再拼接到一张图上作为训练数据。这样做的好处是丰富了图片的背景，并且四张图片拼接在一起变相地提高了batch_size。

--data：训练数据集的yaml文件

--weights：预训练模型路径

--cfg：预训练模型所在的配置文件

--hyp：内置超参数配置，类型为数据增强高。参考：YOLOv5内置--hyp超参配置文件对比_hyp.scratch-low.yaml-CSDN博客

跑起来正式进入训练前有如下信息输出：

训练进度：

内存/显存消耗（没有参考意义）

运行前：

运行中：

GPU占用（证明--device mps确实起作用了）

训练完毕后指标如下：

混淆矩阵和ROC曲线（训练次数较少，效果较差）


混淆矩阵 runs/train/exp/confusion_matrix.png	ROC曲线 runs/train/exp/PR_curve.png

四、训练结果验证

训练完毕后，模型保存在yolov9/runs/train/ 中名为 exp、exp2、exp3… 的目录中。包含best.pt和last.pt两个模型。

运用以下命令进行推理：

python detect_dual.py --weights runs/train/exp/weights/best.pt --conf 0.1 --source football-players-detection-8/test/images/a9f16c_2_10_png.rf.cf607320fc980b28b6e14b14fed46e91.jpg --device cpu

结果如下：

检测效果马马虎虎，没有识别到守门员。

五、常见问题

1. AttributeError: 'FreeTypeFont' object has no attribute 'getsize'

Traceback (most recent call last):

File "/opt/anaconda3/lib/python3.11/threading.py", line 1038, in _bootstrap_inner

self.run()

File "/opt/anaconda3/lib/python3.11/threading.py", line 975, in run

self._target(*self._args, **self._kwargs)

File "/Users/zhujiahui/Local/PycharmProjects/yolov9/utils/plots.py", line 300, in plot_images

annotator.box_label(box, label, color=color)

File "/Users/zhujiahui/Local/PycharmProjects/yolov9/utils/plots.py", line 86, in box_label

w, h = self.font.getsize(label) # text width, height

^^^^^^^^^^^^^^^^^

AttributeError: 'FreeTypeFont' object has no attribute 'getsize'