前言

本文将介绍YOLOv9的项目获取、项目目录以及单独文件分析。YOLOv9 的进步深深扎根于解决深度神经网络中信息丢失所带来的挑战。信息瓶颈原理和可逆函数的创新使用是其设计的核心，可确保 YOLOv9 保持高效率和高精度。

1.模型获取

官网连接：https://github.com/WongKinYiu/yolov9/tree/main

2.YOLOv9项目目录

YOLOv9的项目目录共有9个目录13个单独的文件（不包含目录内的文件），下面将对主要文件进行介绍

3.YOLOv9项目主要目录

（1）classify

YOLO系列的最基础三大功能是目标检测、分类、分割。这个文件下的内容就是存放了分类的三个基本功能的代码，分别是

• train.py训练数据集的作用

• predict.py 训练数据集得到权重之后进行预测的作用

• val.py 验证我们训练出来的权重各项指标的作用

（2）data

这个文件里主要存放了我们的超参数文件和一个coco数据集的配置示例，

data/coco.yaml 这个是COCO数据集的配置示例

data/hyps/hyp.scratch-high.yaml 这个是超参数的文件。

（3）models

这个文件目录主要由yaml文件和py文件组成，yaml文件主要是我们的模型配置文件，其余的文件我下面来分别进行解释。

yolov9.yaml ：我们运行模型的配置文件。 

common.py ：存放我们一些基础的代码操作，例如Conv、提出的ADown等操作的代码

experimental.py ：这里主要存放着一个重要的方法def attempt_load(weights, device=None, inplace=True, fuse=True):该代码主要用于我们训练时候加载模型所用。

tf.py ：tensorflow版本的文件，我们无需理会，目前跑深度学习基本都是Pytorch。 

yolo.py ：这里存放着我们的检测头以及训练时候最重要的模型解析方法 parse_model后面我也会讲到这个方法。

（4）panoptic

panoptic segmentation的训练和验证以及预测文件。

（5）scripts

里面包含了一个数据集下载脚本是COCO的，不建议通过这种方式下载coco。

（6）segment

分割的训练测试以及验证文件。

（7）utils

utils这个文件目录就是一些我们的模型所需要的工具存放的地方，以及我们计算损失函数的文件存放的地方和一些绘图的代码。

4.YOLOv9项目主要文件

（1）benchmarks.py

这个文件的作用是测试我们的模型一些基础性能测试就是我们的模型训练出来以后在一些场景下的应用之后的性能基础测试，需要注意的是该文件需要通过命令行启动，单独运行文件会报错。

（2）detect.py

这个文件主要用于我们训练完模型或者用官方给的模型进行一些推理工作，下面是一个运行之后的结果图。

（3）export.py 

这个文件主要用于我们训练模型在部署到其它设备上时候一个模型导出工作。

（4）hubconf.py

hubconf.py是与 PyTorch Hub 相关的一个文件，它在 PyTorch 社区中扮演着重要的角色。PyTorch Hub 是一个预训练模型库，使研究人员和开发者能够轻松地共享和访问模型。hubconf.py文件包含了一系列定义，这些定义指导 PyTorch Hub 如何加载和使用这些预训练模型。

（5）训练文件

• rain：主分支

• train_dual：一个辅助分支+一个主分支。

• triple_branch：2个辅助分支+1个主分支

（6）验证

val.py，val_dual.py，val_triple.py 。同理这三个文件是用于我们模型训练完权重文件之后（保存在runs文件目录下）利用训练出来的权重文件进行模型性能验证的文件的。

👇👇👇

(代码＋权重)免费领取方式

在下方公众号内回复关键词：YOLOv9

如果你想要进一步了解更多的相关知识，可以关注下面公众号联系~会不定期发布相关设计内容包括但不限于如下内容:信号处理、通信仿真、算法设计、matlab appdesigner，gui设计、simulink仿真......希望能帮到你！