Pytorch – YOLOv9自定義資料訓練

本篇將講解目前最新推出的YOLOv9搭配Roboflow進行自定義資料標註訓練流程，透過Colab上進行實作說明，使大家能夠容易的了解YOLOv9的使用。

►YOLO框架下載與導入

►Roboflow的資料收集與標註

進入Roboflow官網，點選右上Sign up註冊自己的帳號，並進行登入。登入後，網站會引導進行workspace建置，名稱與選項部分依照自身情況進行填寫。



進行自定義資料集建置與上傳

透過Roboflow工具進行資料標註，最後再將訓練資料採用YOLOv9格式輸出。

►自定義資料導入




►模型訓練

►模型訓練confusion matrix可視化

►模型訓練結果可視化




►小結

透過以上講解，在Colab上搭配Roboflow進行自定義資料收集與訓練，能夠更快的進行YOLOv9的模型訓練，可以期待下一篇博文吧！

►Q&A

問題一： YOLOv9 如何解決訊息瓶頸問題:

YOLOv9引入了即時梯度資訊（PGI），透過輔助監督框架，用於生成可靠的梯度信息，便於在訓練過程中通過權重更新。PGI輔助可逆分支來解決深度網絡漸變導致的問題。

問題二：YOLOv9 batchsize設置:

批量大小是另一個重要的參數，它會影響模型的收斂速度和泛化性能。一般來說，較大的批量大小可以加速訓練過程，但可能會導致模型的泛化性能下降。您可以通過試驗不同的批量大小，觀察訓練和驗證損失函數的變化情況，來找到最適合的批量大小。

問題三：YOLOv9 的正則化參數設置？

正則化參數用於控制模型的複雜度，防止過擬合。通常情況下，您可以開始使用較小的正則化參數，然後逐步增加它們的值，直到訓練損失和驗證損失之間的平衡。

問題四： YOLOv9 是否能夠於嵌入端使用?

問題五：NCNN與tensorRT差異?

NCNN針對CPU效能進行部署與最佳化，記憶體佔用率低，提供INT8量化支援。TensorRT針對GPU和CPU優化加速模型推理，支援INT8量化和FP16量化。對於嵌入端提供Nvidia GPU可以透過TensorRT進行加速。