---

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：