文章目录

1、自己动手制造一个YOLOv9-S网络结构1.1 改前改后的网络结构（参数量、计算量）对比1.2 一些发现，YOLOv9代码打印的参数量计算量和Github上提供的并不一致，甚至yolov9-c.yaml代码打印出来是Github的两倍1.3 开始创造YOLOv9-S 2、开始训练3、验证3.1 修改val.py中的以下参数3.2 命令验证

1、自己动手制造一个YOLOv9-S网络结构

重点参考的链接：YOLOv9改进 | 提供YOLOv9全系列支持YOLOv9n、YOLOv9s、V9m、V9l、V9x的修改方式（全网独家首发）

1.1 改前改后的网络结构（参数量、计算量）对比

改前的yolov9.yaml参数量58.35M，计算量267.1GFLOPs

改后的yolov9-S.yaml参数量15.60M，计算量67.7GFLOPs

这是修改前调用的yolo.py测试的yolov9.yaml的打印网络情况，包含参数量、计算量

这是修改后调用的yolo.py测试的yolov9-S-lwd.yaml的打印网络情况，包含参数量、计算量

1.2 一些发现，YOLOv9代码打印的参数量计算量和Github上提供的并不一致，甚至yolov9-c.yaml代码打印出来是Github的两倍

1.3 开始创造YOLOv9-S

在models/yolo.py文件中，Ctrl+F定位到args = [c1, c2, *args[1:]]，然后再如下位置添加代码

# --------------------------添加的代码--------------------------- # if m in (RepNCSPELAN4,): args[1] = make_divisible(args[1] * gw, 8) args[2] = make_divisible(args[2] * gw, 8) args[3] = max(round(args[3] * gd), 1) if n > 1 else n # --------------------------添加的代码--------------------------- # 还是在models/yolo.py中，定位到elif m is CBLinear，然后做如下更改

c2 = [int(x * gw) for x in args[0]] 修改模型配置文件：直接拷贝models/detect/yolov9.yaml然后重命名为yolov9-S.yaml，并做以下更改

2、开始训练

根据需求修改train.py中的以下参数：

需要注意的是，这里只能写成这样，因为官方只给了这一个超参数设置文件：

键入以下命令开始训练：

python train.py --name yolov9-S

报错了

⭐然后就根据这个博客yolov9训练自己的数据集+验证+报错修改里面参考的YOLOV9保姆级教程，在utils/loss_tal.py中进行了如下修改：

Okay！开始训练，坐等结果~

保姆级的大佬真的好啊，给我的回答很详细，贴上来！

3、验证

3.1 修改val.py中的以下参数

另外为了多显示几位精度，在val.py中进行如下更改：

3.2 命令验证

python val.py --name yolov9-S

报错：AttributeError: 'list' object has no attribute 'device'

解决方案：

验证结果：