https://github.com/DataXujing/YOLOv9
:fire: YOLOv9 paper解析，训练自己的数据集，TensorRT端到端部署， NCNN安卓手机部署
https://github.com/DataXujing/YOLOv9
ncnn tensorrt yolov9
Last synced: 1 day ago
JSON representation
:fire: YOLOv9 paper解析，训练自己的数据集，TensorRT端到端部署， NCNN安卓手机部署
- Host: GitHub
- URL: https://github.com/DataXujing/YOLOv9
- Owner: DataXujing
- License: gpl-3.0
- Created: 2024-03-01T12:42:25.000Z (about 1 year ago)
- Default Branch: main
- Last Pushed: 2024-03-07T13:05:53.000Z (about 1 year ago)
- Last Synced: 2025-04-04T13:37:27.804Z (18 days ago)
- Topics: ncnn, tensorrt, yolov9
- Language: Python
- Homepage:
- Size: 40.6 MB
- Stars: 65
- Watchers: 1
- Forks: 13
- Open Issues: 1
-
Metadata Files:
- Readme: README.md
- License: LICENSE.md
Awesome Lists containing this project
- awesome-yolo-object-detection - DataXujing/YOLOv9
- awesome-yolo-object-detection - DataXujing/YOLOv9
README
## Official YOLOv9 训练自己的数据集并基于NVIDIA TensorRT和及安卓手机端部署
### 1.YOLOv9算法解读
> YOLOv9的改进
+ YOLOv9从可逆函数角度理论上分析了现有的CNN架构，基于这种分析，YOLOv9作者还设计了PGI和辅助可逆分支，并取得了优秀的结果；
+ YOLOv9用到的PGI解决了深度监督只能用于极深的神经网络架构的问题，因此使得新的轻量级架构才更适合落地；
+ YOLOv9中设计的GELAN仅使用传统卷积，就能实现比基于最先进技术的深度可分卷积设计更高的参数使用率，同时展现出轻量级、快速和精确的巨大优势；
+ 基于所提出的PGI和GELAN，YOLOv9在MS COCO数据集上的性能在所有方面都大大超过了现有的实时目标检测器。> PGI(可编程梯度信息)
PGI主要包括三个组成部分，即：
+ 主分支
+ 辅助可逆分支
+ 多级辅助信息
> GELAN模块
YOLOv9提出了新网络架构——GELAN。GELAN通过结合两种神经网络架构，即结合用梯度路径规划（CSPNet）和（ELAN）设计了一种广义的高效层聚合网络（GELAN）；GELAN综合考虑了轻量级、推理速度和准确度。
GELAN整体架构如上图所示。YOLOv9将ELAN的能力进行了泛化，原始ELAN仅使用卷积层的堆叠，而GELAN可以使用任何计算块作为基础Module。
> 损失函数与样本匹配
通过上图代码可以看到:
+ 样本匹配依旧使用的是TaskAlign样本匹配。和YOLOv8、YOLOE、YOLOv6等算法保持一致；
+ 分类损失：BCE Loss 回归损失：DFL Loss + CIoU Loss> 模型结构
### 2.构建自己的训练数据集训练YOLOv9
假设我们有NVIDIA的计算卡，同时配置好了YOLOv9运行需要的环境！
+ 训练数据的构建
YOLOv9遵循YOLOv5-YOLOv8的训练数据构建方式，可以参考：, 这里以肺炎X-ray数据集作为训练YOLOv9-c模型的数据集。
+ 构建数据集配置文件:`./data/xray.yaml`
```yaml
path: ./datasets/xray # dataset root dir
train: images/train/ # train images (relative to 'path') 118287 images
val: images/val/ # val images (relative to 'path') 5000 images
test: images/test/ # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794# Classes
names:
0: pneumonia```
+ 构建YOLOv9-c模型配置文件：`models/detect/yolov9-c.yaml`
```yaml
# YOLOv9# parameters
nc: 1 # number of classes
depth_multiple: 1.0 # model depth multiple
width_multiple: 1.0 # layer channel multiple
#activation: nn.LeakyReLU(0.1)
#activation: nn.ReLU()# anchors
anchors: 3......
```+ 下载预训练的模型：
```shell
wget https://github.com/WongKinYiu/yolov9/releases/download/v0.1/yolov9-c.pt
```+ 训练YOLOv9-c
```shell
python3 train_dual.py --weights=./pretrain/yolov9-c.pt --cfg=./models/detect/yolov9-c.yaml --data=./data/xray.yaml --epoch=100 --batch-size=16 --imgsz=640 --hyp=data/hyps/hyp.scratch-high.yaml
```### 3.YOLOv9推理Demo
```python
python inference.py
```| Pytorch| Pytorch | Pytorch |
| ------ | ------ | ------ |
|  |  |  |### 4.YOLOv9 端到端TensorRT加速推理C++实现
+ Pytorch转ONNX
```shell
python export.py --data=./data/xray.yaml --weights=./runs/train/exp/weights/last.pt --opset=13 --include=onnx --simplify
```+ 添加EfficientNMS plugin
```shell
python onnx_add_nms_op.py
```在原onnx模型中插入EfficientNMS Plugin节点：
+ TensorRT序列化Engine
```shell
trtexec --onnx=last_nms.onnx --saveEngine=yolov9-c.plan --workspace=3000 --verbose
```
恭喜你，TensorRT序列化Engine成功!
+ Win10下C++实现端到端的TensorRT推断
我们的代码存放在`tensorrt`文件夹下(在TensorRT 8.2和TensorRT8.6测试），相同图片在TensorRT C++的推理结果基本一致
| TensorRT | TensorRT | TensorRT|
| ------ | ------ | ------ |
|  |  |  |### 5.YOLOv9安卓手机部署
+ 首先我们在windows下使用ncnn进行调用，该部分所有的代码在`ncnn`文件夹下，关于安卓手机端部署的代码，可以参考我们的另一个项目：
| NCNN-FP32 | NCNN-FP32 | NCNN-FP32 |
| ------------------------- | -------------------------- | --------------------------- |
|  |  |  || NCNN-FP16 | NCNN-FP16 | NCNN-FP16 |
| ------------------------- | -------------------------- | --------------------------- |
|  |  |  |> 我们也实现了YOLOv9-c的ncnn下的int8量化，但是目前还存在问题：
小米手机下的部署：
### 参考
1. [YOLOv9开源 | 架构图&模块改进&正负样本匹配&损失函数解读，5分钟即可理解YOLOv9](https://mp.weixin.qq.com/s/31NlBknx4PcXipfuV2w6hw)
2. [YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information](https://arxiv.org/abs/2402.13616)
3. https://github.com/WongKinYiu/yolov9