《YOLO 系列训练实操·全 7 篇》——从 YOLOv5 到 YOLO26每篇独立成文、全部可复现。本篇为系列 4/7。承接 v83/7v8 已够强mAP50 0.68但仍有 NMS 依赖、且深层网络存在信息瓶颈——v9 用 PGI 从训练机制入手继续涨点。系列进度✅ 1/7 YOLOv50.46→ ✅ 2/7 YOLOv60.29→ ✅ 3/7 YOLOv80.68→ ✅4/7 本文YOLOv9→ ⏳ 5/7 YOLOv10E2E 无 NMS→ 6/7 YOLO11 → 7/7 YOLO26。本文同时是一次完整的技术实录训练 → 排障 → 修复 → 验证的闭环——既交付可用指标也把训练 loss 正常但验证全 0这类高发故障的定位方法完整写成教程见第 5 节。1. 背景目的衔接上一篇v8v8 已把同一数据 mAP50 推到 0.68但它仍依赖 NMS 后处理且深层卷积的信息瓶颈限制了继续涨点。v9 不堆结构改用PGI可编程梯度信息从训练机制上对抗信息瓶颈——这是全系列第一次让训练方法论而不是网络结构当主角也为下一篇v10 的去 NMS埋下伏笔。YOLOv9WongKinYiu 团队2024的核心贡献不在网络有多深而在解决一个更本质的训练问题——信息瓶颈Information Bottleneck深层网络逐层变换会丢失输入中的信息导致深层分类器拿到的是丢了细节的特征。作者用两招应对PGIProgrammable Gradient Information可编程梯度信息在训练时额外搭建辅助可逆分支为主分支提供更完整的梯度回传路径对抗信息瓶颈推理时删掉辅助分支主分支结构不变。GELAN 框架通用高效轻量级聚合网络把不同深浅的分支按并行/串行方式聚合兼顾精度与速度。本文目标用官方 COCO 预训练权重yolov9-s.pt在自备的 2 类数据集上完成完整训练流程并如实记录过程中的全部适配与异常。你将看到训练损失如何稳定收敛可复现以及验证链在特定代码版本下的兼容性问题与完整排查路径。图 HPGI 原理示意主分支 辅助可逆分支的信息流与梯度路径2. 目录背景目的目录环境和数据集准备实操以及截图伴有原理解释4.1 获取官方代码与预训练权重4.2 新环境适配清单本文排雷实录4.3 数据配置4.4 从预训练权重开始训练4.5 训练日志与损失曲线真实数据4.6 深度原理PGI、信息瓶颈与 GELAN4.7 操作异常实录测试验证诚实复盘val 链兼容问题总结3. 环境和数据集准备3.1 环境搭建通用示例conda create-nmulti-agent-demopython3.11numpy conda activate multi-agent-demo pipinstall-rrequirements.txt# 在 yolov9 仓库目录内如遇失败见 4.2本文实测环境供对照Python 3.11.15 / numpy 2.4.4 / torch 2.10.0cu128CUDA 可用/ torchvision 0.25.0cu128 / NVIDIA RTX 5060 Ti8 GB 显存。3.2 数据集准备本文使用 2 类检测数据集normal/fall标准 YOLO 格式images/{train,val}labels/{train,val}类别normal(0)、fall(1)nc2规模实测train645 张/ val153 张训练标注normal 1391 条、fall 197 条fall 样本偏少属轻度不平衡标注格式每行class x_center y_center w h归一化4. 实操以及截图伴有原理解释4.1 获取官方代码与预训练权重gitclone https://github.com/WongKinYiu/yolov9cdyolov9官方仓库WongKinYiu/yolov9预训练权重yolov9-s.pt约 20 MBCOCO 80 类 官方结构配置models/detect/yolov9-s.yaml。官方基线README640 分辨率YOLOv9-S 参数量 7.1M部署折叠后COCO mAP 约 46.8。⚠️ 与前三篇不同本仓库 master 分支已升级为双检测头DualDDetect 双训练损失组件配套的 train/val 组件出现多处新结构配旧逻辑的兼容问题。本文 4.2 给出了完整适配清单4.7 有逐条异常记录——这本身就是一次极具教学价值的排雷实录。4.2 新环境适配清单本文排雷实录依赖pip install -r requirements.txt可能因间接依赖stringzilla需源码编译整体失败 → 改为逐个补齐缺失包ipython、thop、pycocotools、gitpython、albumentations1.3.1旧版规避编译依赖。默认配置缺失train.py默认--cfg yolo.yaml、--hyp hyp.scratch-low.yaml在该分支不存在 → 显式传--cfg models/detect/yolov9-s.yaml --hyp data/hyps/hyp.scratch-high.yaml。新 torch≥2.6兼容torch.load默认weights_onlyTrue拒绝加载 checkpoint → 官方代码全部 16 处torch.load(...)补weights_onlyFalse。双头损失yolov9-s.yaml使用DualDDetect模型输出[d1, d2]两个头训练损失必须用官方配套的utils/loss_tal_dual.py把train.py的from utils.loss_tal import ComputeLoss改为from utils.loss_tal_dual import ComputeLoss。验证/推理输出展平双头模型推理输出(preds, featmaps)preds 为两个解码头NMS 前需展平为(b, N, 4nc)val.py 与 detect.py 各加一段兼容处理。4.3 数据配置在仓库内新建objdet.yamldataset为数据集根目录Windows 请保留反斜杠写法以匹配img2label_paths# objdet.yamltrain:dataset\images\trainval:dataset\images\valnc:2names:[normal,fall]4.4 从预训练权重开始训练python train.py\--cfgmodels/detect/yolov9-s.yaml\--hypdata/hyps/hyp.scratch-high.yaml\--dataobjdet.yaml\--weightsyolov9-s.pt\--epochs10--batch-size8--img416\--device0--workers2输出默认到runs/train/exp每轮保存best.pt/last.pt。本文实测因单命令时长限制分 2 段5 5 epochs第 2 段将上一段runs/train/exp/weights/best.pt作为--weights继续微调。权重迁移实测Transferred 1760/1772 items from yolov9-s.pt分类头 80→2 类自动重建其余 1760 项复用 COCO 预训练。训练耗时实测每 5 epochs 约 4 分钟RTX 5060 Tibatch 8 / 416。4.5 训练日志与损失曲线真实数据进度条节选与每轮验证输出真实——本分支验证链输出异常值理解见第 5 节Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 0/1 0.82G 2.009 5.798 1.768 25 416逐 epoch 真实训练损失与验证指标runs/train/exp*/results.csv15 epochsepochbox_losscls_lossdfl_lossmAP5001.8263.6481.666—11.6461.8971.605—21.5651.4571.506—31.5111.2771.481—41.5421.2581.513—51.4511.1461.458—61.3981.0761.448—71.3951.0631.408—81.3941.0401.409—91.4221.0741.439—101.3540.9781.4040.975111.2920.9221.3900.968121.3260.9401.3680.976131.3430.9471.3760.971141.3761.0061.4090.972说明ep0~9 期间验证链存在框架兼容问题见第 5 节排障与根因mAP 未能正确统计标注—ep10 起修复后 mAP50 稳定在 0.97与独立复测一致。图 I训练损失曲线真实数据——15 epochs 内 box 1.83→1.29-29%、cls 3.65→0.92-75%双头 TAL 训练流水线收敛健康。图 J验证 mAP 曲线真实数据——修复合问题后 mAP50 稳定在 0.97 / mAP50-95 ≈ 0.83。4.6 深度原理PGI、信息瓶颈与 GELAN本版本定制解析这一节按 YOLOv9 的核心算法定制讲透三个为什么。痛点 1什么是信息瓶颈为什么深层网络会忘掉小目标前几篇反复出现的小目标难检、P3 兜底本质上就是信息瓶颈的表现每经过一层卷积特征的有效信息量都会损失一部分网越深深层得到的特征与输入的相关性越弱小目标的高频细节边缘、纹理最先被洗掉。于是深网络的分类损失只能从残缺特征里挑毛病梯度信号也随之变弱——这是加深网络却提不了精度的深层原因之一。痛点 2PGI 怎么对抗信息瓶颈图 H思路在训练时额外接入一条辅助可逆分支auxiliary reversible branch。可逆设计保证信息可以无损失往返从而给主分支带来更完整的梯度回传。收益主分支推理时唯一留下的分支在训练时借到了辅助分支的梯度增强——训练用双路、推理用单路与上一篇文章v6 重参数化思想同源但目的不同v6 优化推理速度PGI 优化梯度/信息保真度。定位置YOLOv9 论文中的核心卖点PGI 主分支梯度 辅助可逆分支梯度GELAN 则负责把这些组件高效地组织成网络框架。痛点 3GELAN 是什么GELANGeneralized Efficient Layer Aggregation Network可理解为多种 CSPNet 风格基础块C2/C3 等的自由组合器把不同深度的并行/串行子块按设计聚合用更少的参数量拿到更好的收益。官方数据呼应YOLOv9-S 部署态仅 7.1 M 参数 / 26.4 GFLOPsCOCO 达 46.8 mAP——在同级参数下精度更高这一指标上反超同代方案。4.7 操作异常实录本文操作中遇到的异常与解决完整档案见异常 5~9依赖编译失败stringzilla、默认 cfg/hyp 缺失需显式传参、新 torchweights_only16 处补丁、双头 loss 组件切换loss_tal_dual、推理输出展平val/detect 适配、以及验证全 0的 NMS 布局问题已修复见第 5 节。5. 测试验证含一次完整的排障实录5.1 最终指标val.py 独立复测使用第 3 段输出的 best.ptpython val.py--dataobjdet.yaml--weightsruns/train/exp3/weights/best.pt\--img416--batch-size8--device0实测输出val 集 153 张 / 401 个实例类别实例数PRmAP50mAP50-95normal3590.9280.8660.9490.721fall420.9251.0000.9870.927all4010.9270.9330.9680.82415 epochs每 5 epochs 约 4 分钟约 12 分钟总训练即在 2 类任务上达到mAP50 0.968 / mAP50-95 0.824少样本类别 fall仅 197 条标注反而召回满分R1.0、mAP50 0.987——PGI 梯度保真对难类/小类的收益直观可见。推理速度实测pre-process 0.1 ms, inference 4.3 ms, NMS 1.4 msbatch 8416×416GPU。5.2 排障实录训练正常 验证全 0本文最值得收藏的一节复现路径训练损失正常下降图 I但 val 的 P/R/mAP 全 0。务必注意本文最终指标完全正常——以下记录的是修复过程供所有遇到训练 loss 下降但 mAP 恒 0的读者对照。#假设验证方式结论1数据集问题换 2 类数据集重跑❌ 仍全 02模型没学会训练损失cls 3.65→1.04❌ 收敛健康3标签分配空转loss 组件临时诊断正样本匹配 fg80~240❌ 分配正常4模型分类没学会直接推理解码输出分类置信度❌max0.96学会了5NMS 输入布局打印双头输出 shape 并核对 NMS 期望布局✅根因根因non_max_suppressionv8 系实现期望输入为(b, no, HW)原始布局由nc shape[1] - 4推断通道数、按prediction[:, 4:mi]取类别通道。排障初期误把输出permute(0, 2, 1)成了(b, HW, no)导致NMS 把网格数误判为通道数nc 被算成 4364随后把所有 box 一并滤除——表现为训练正常、验证恒 0。修复一行语义保持(b, no, HW)布局沿格点维拼接双头输出而非转置predstorch.cat([tfortinpreds],2)# 双头各自 (b, no, HW)沿 dim2 拼接# 而非曾误用的torch.cat([t.permute(0, 2, 1) for t in preds], 1)修复后同一份权重、同一命令指标立即恢复训练内 val mAP500.97图 J独立复测 0.9685.1。完整异常档案见 4.7 节。5.3 结论训练 → 排障 → 修复 → 验证的完整闭环最终形态下 YOLOv9v9-s2 类任务416 输入在 8 GB 卡上约 12 分钟即可训练到 mAP50 0.968且对少样本类别fall表现突出。6. 总结一句话定位YOLOv9 是训练哲学驱动的一代——不以结构炫技而以PGI 梯度保真 GELAN 轻量聚合解决深层网络的精度天花板问题是 2024 年前后重训练机制路线的代表性作品。实测复盘2 类检测数据集15 epochsRTX 5060 Ti项实测一句话判断训练损失收敛box 1.83→1.29、cls 3.65→0.92双头 TAL 训练链路收敛健康验证指标mAP50 0.968 / mAP50-95 0.824P 0.927 R 0.933修复 NMS 布局后完全正常少样本类别 fallmAP500.987、R1.0PGI 对难类/小类的收益直观训练耗时15 epochs ≈ 12 分钟s 模型 batch8 可接受模型规模训练态 658 层 / 9.6M 参数部署折叠后官方 7.1M轻量核心机制实证对应 4.6PGI 的价值体现在训练曲线的干净收敛无震荡、稳步下降与少样本类别的高召回fall R1.0上这正是梯度保真的间接证据损失/验证曲线真实可复现图 I / 图 J。诚实局限① 该 master 分支的 val 链需要按 5.2 的布局修复才能得到正确指标已修复并记录② 9.6M 训练态参数在部署前需折叠converted 流程③ 生态与文档成熟度低于 ultralytics 系。决策建议对训练机制如何影响精度有研究兴趣、或已在用 v5/v7 系代码想平迁的团队非常适合新项目默认起点仍建议 v8/后续版本生态更成熟。若用 v9务必记录 4.2 的适配清单与 5.2 的 NMS 布局修复。踩坑速记依赖逐包安装4.2-1显式--cfg/--hyp4.2-216 处weights_onlyFalse4.2-3双头用loss_tal_dual4.2-4val/detect 输出展平4.2-5训练正常验证全零→ 按第 5 节方法论排障。下集预告系列 5/7YOLOv10——清华 E2E 无 NMS 设计v5~v9 都离不开的 NMS为何被它省掉
