微信定制开发 网站开发,开发软件公司全部抓进去了,潍坊seo网站推广,国外服装设计网站【YOLOv9】训练模型权重 YOLOv9.pt 重新参数化轻量转为 YOLOv9-converted.pt 1. 模型权重准备2. 模型重新参数化2.1 文件准备2.2 参数修改2.3 重新参数化过程 3. 重新参数化后模型推理3.1 推理超参数配置3.2 模型推理及对比 4. onnx 模型导出#xff08;补充内容#xff09;4… 【YOLOv9】训练模型权重 YOLOv9.pt 重新参数化轻量转为 YOLOv9-converted.pt 1. 模型权重准备2. 模型重新参数化2.1 文件准备2.2 参数修改2.3 重新参数化过程 3. 重新参数化后模型推理3.1 推理超参数配置3.2 模型推理及对比 4. onnx 模型导出补充内容4.1 超参数配置4.2 模型导出4.3 onnx 推理 Code 链接: YOLOV9 Paper 链接: YOLOV9: Learning What You Want to Learn Using Programmable Gradient Information
1. 模型权重准备
可以参考另一篇博客 【模型复现】自制数据集上复现刚发布的最新 yolov9 代码 训练一个所需版本的 YOLOv9 模型训练完成后就会得到 YOLOv9 模型权重文件如这里使用 c 版本训练得到了 yolov9-smoke.pt大小约为 98M.
2. 模型重新参数化
2.1 文件准备
找到官方代码目录 tools 内的 reparameterization.ipynb 文件并将该文件放到主目录下。
2.2 参数修改
选择训练权重版本对应的 gelan.yaml 文件如这里需修改 gelan-c.yaml 文件并将 nc 修改为模型训练时的标签数量。
2.3 重新参数化过程
进入 reparameterization.ipynb 文件进行如下修改 修改 cfg 为版本对应的 gelan.yaml 文件路径修改 nc 为标签数量修改 ckpt 为训练好的模型权重文件路径 修改后运行出现下述界面即可。 继续运行文件中的代码块运行完成后继续。 修改下述代码块中的权重文件保存路径并运行。 完成后即可在指定保存路径下找到重新参数化后的权重文件可以看到文件大小为50M相比减少了48M。
3. 重新参数化后模型推理
3.1 推理超参数配置
在 yolov9 代码路径下进入 detect.py 文件进行超参数配置常用需修改参数如下 data数据配置文件路径weights重新参数化后的的 yolov9-converted.pt 权重路径batch-size验证 batch-size 数量imgsz图片大小task验证数据集选择如 val 或 test 推理按需进行超参数配置
3.2 模型推理及对比
单卡推理指令python detect.py多卡推理指令python -m torch.distributed.launch --nproc_per_node 8 detect.py在终端中运行推理命令若看到下述界面即成功推理 可进入保存路径进行推理图片查看使用权重 yolov9-smoke-converted.pt 推理示例如下 此外使用 yolov9-smoke.pt 推理的同一图片示例如下 可以看出模型重新参数化后使用模型主分支性能不受影响但参数量减少近一半
4. onnx 模型导出补充内容
4.1 超参数配置
在 yolov9 代码路径下进入 export.py 文件进行超参数配置常用需修改参数如下 weights重新参数化后的的 yolov9-converted.pt 权重路径include导出类型选择如 onnx 超参数配置如下
4.2 模型导出
模型导出指令python export.py在终端中运行推理命令若看到下述界面即成功导出
4.3 onnx 推理
按照 3.1 推理超参数配置 进行超参数配置唯一不同的是需将 weights 替换为导出的 onnx 路径。推理指令python detect.py在终端中运行推理命令若看到下述界面即成功推理 可进入保存路径进行推理图片查看使用 onnx 推理示例如下
