# YOLOv9 環境安裝及實際操作
###### tags: `yolo` `九月份`
[遇到的問題 #1](https://chatgpt.com/share/68c27847-184c-8006-914b-8a6913babd04)
[遇到的問題 #2](https://chatgpt.com/share/68c27847-184c-8006-914b-8a6913babd04)
>過程中遇到的問題，請居批踢協助。
> 一個資料集的實作過程。
## 摘要
在 Windows 環境下，使用 Anaconda 建立 YOLOv9 深度學習環境，並以台灣車牌公開資料集進行訓練的完整流程。內容涵蓋環境安裝、資料準備、模型訓練、偵測與裁切輸出，以及訓練過程中遇到的常見問題與修正方法（如標註格式轉換、CUDA 記憶體不足、PyTorch 版本差異造成的錯誤）。透過實作，最終成功建立一個能夠準確偵測車牌的 YOLOv9 模型，並可搭配 OCR 系統完成後續辨識工作。
## Anaconda 新建環境
```cmd=
conda create -n yolov9 python=3.9 -y
conda activate yolov9
````
## 安裝[Pytorch](https://pytorch.org/get-started/locally/) (含 CUDA 版本)
```powershell=
PS C:\Users\user\Documents\Carplatev9> python
```
如果這步失敗再改成 `pytorch-cuda=11.8`
```cmd=
pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu126
````
### 驗證 CUDA
```cmd=
python
>>> import torch
>>> print("cuda?", torch.cuda.is_available(), "cuda_ver:", torch.version.cuda, "torch:", torch.__version__)
cuda? True cuda_ver: 12.6 torch: 2.8.0+cu126
>>>
```
## 取得 YOLOv9 專案並裝需求
若沒安裝 Git：
```cmd=
conda install -c anaconda git -y
git --version
```
### Github 檔案下載 - [WongKinYiu yolov9](https://github.com/WongKinYiu/yolov9)
``` cmd=
git clone https://github.com/WongKinYiu/yolov9.git
cd Documents
cd yolov9
pip install -r requirements.txt
```
### 下滑至 Performance下載任一模型的預訓練檔
（原本是用 YOLOv9-M，但改成 YOLOv9-S。）
## 準備資料集 YAML
這邊使用線上開源的台灣汽機車車牌資料集。
資料來源：[Taiwan License Plate Recognition Research Tlprr Dataset](https://universe.roboflow.com/jackresearch0/taiwan-license-plate-recognition-research-tlprr/dataset/7)
```yaml=
# C:\Users\user\Documents\yolov9\Carplatev9\data.yaml
train: train/images
val: valid/images
test: test/images
nc: 1
names: [plate]
roboflow:
workspace: jackresearch0
project: taiwan-license-plate-recognition-research-tlprr
version: 7
license: CC BY 4.0
url: https://universe.roboflow.com/jackresearch0/taiwan-license-plate-recognition-research-tlprr/dataset/7
```
## 訓練
```cmd=
python train.py --device 0 --batch-size 16 --data "C:\Users\user\Documents\yolov9\Carplatev9\data.yaml" --imgsz 640 --weights yolov9m.pt --cfg models/detect/yolov9-m.yaml --hyp data/hyps/hyp.scratch-high.yaml --name yolov9-plates
```
### 遇到的一些問題：
* 檔案位置的放置，yolov9m.pt 需與 train.py 同目錄。
* 降級 PyTorch（最簡單、最穩定）或是直接修改 train.py 中 108 行程式碼：
```python=
108 # ckpt = torch.load(weights, map_location='cpu') # load checkpoint to CPU to avoid CUDA memory leak
109 ckpt = torch.load(weights, map_location='cpu', weights_only=False)
```
* TXT 檔案格式錯誤問題。
* 原資料存成多邊形座標（Polygon segmentation），而 YOLOv9 預設需要的是矩形框 (Bounding Box) 格式。
* [fixlable.py](https://github.com/yungpei/Car_identification_YOLOv9/blob/main/fixlable.py)
* 記憶體爆掉。
* 改 `batch-size` 下調到 4。
* 使用較小 Model（yolov9-s）。
* 開啟 `--cache ram`，讓 dataset 緩存在 CPU RAM，減少顯存壓力。
```cmd=
python train.py --device 0 --batch-size 4 --data "C:\Users\user\Documents\yolov9\Carplatev9\data.yaml" --imgsz 640 --weights yolov9s.pt --cfg models/detect/yolov9-s.yaml --hyp data/hyps/hyp.scratch-high.yaml --name yolov9-plates --cache ram
```
* 模型結構和 config/weights 不匹配。
* 從頭訓練，可以不用 --weights yolov9s.pt，直接用：
`--weights '' --cfg models/detect/yolov9-s.yaml`
```cmd=
python train.py --device 0 --batch-size 4 --data "C:\Users\user\Documents\yolov9\Carplatev9\data.yaml" --imgsz 640 --weights '' --cfg models/detect/yolov9-s.yaml --hyp data/hyps/hyp.scratch-high.yaml --name yolov9-plates --cache ram
```
* YOLOv9 的模型輸出和 loss 計算。
* 錯誤訊息：
```pgsql=
AttributeError: 'list' object has no attribute 'view'
```
* 在 loss_tal.py 第 168 行：
```python=
pred_distri, pred_scores = torch.cat([xi.view(feats[0].shape[0], self.no, -1) for xi in feats], 2).split((self.reg_max * 4, self.nc), 1)
```
xi 本來應該是 Tensor，但現在變成 list，所以 .view() 爆掉。→ 代表 pred 的格式錯誤。
* 檢查 pred shape 的小腳本，在進 loss 前輸出結構：[check_pred.py](https://github.com/yungpei/Car_identification_YOLOv9/blob/main/check_pred.py)
```bash=
python check_pred.py
```
模型 forward() 回傳的是 tuple，會錯，因為 feats 其實是一個 list 裡面還有 list。
在 loss_tal.py 的 __call__ 內先解包 pred，只取 [0]（真正的 prediction tensor list），忽略 [1]（中間 features）。
* 找到 **utils/loss_tal.py** 第 168 行附近（或 __call__ 函式內）改成：
```python=
# 如果 pred 是 tuple，先取 pred[0]
if isinstance(feats, (tuple, list)) and isinstance(feats[0], list):
feats = feats[0] # 只取第一個 list (真正的輸出)
# 確保 feats 是 list of Tensor
feats = [xi if isinstance(xi, torch.Tensor) else xi[0] for xi in feats]
pred_distri, pred_scores = torch.cat([xi.view(feats[0].shape[0], self.no, -1) for xi in feats], 2).split((self.reg_max * 4, self.nc), 1)
```
* 修改完之後再跑 `train.py`：
```cmd=
python train.py --device 0 --batch-size 6 --data "C:\Users\user\Documents\yolov9\Carplatev9\data.yaml" --imgsz 416 --weights '' --cfg models/detect/yolov9-s.yaml --hyp data/hyps/hyp.scratch-high.yaml --name yolov9-plates --cache ram
```
表示有成功訓練！
### 參數分析
| 指令 | 解釋 |
| ------------------------------------------------------------ |:------------------------------------------------------------------------------------------------------------------------ |
| `python train.py` | 執行 YOLOv9 的訓練腳本 |
| `--device 0` | 指定使用第 0 張 GPU。<br> --device 0,1 代表用多張 GPU<br> --device cpu 代表只用 CPU |
| `--batch-size 6` | 每個 batch 的影像數量是 6。<br> 越大訓練越快，但顯存會爆掉；越小訓練越慢，但能保證顯存不超限。 |
| `--data "...\Carplatev9\data.yaml"` | 指定數據集設定檔（data.yaml） |
| `--imgsz 416` | 訓練影像的尺寸（輸入會自動 resize 成 416×416）。<br> 預設 640，設小一點會加快訓練、降低 GPU 需求，但精度可能略降。 |
| `--weights ''` | 不載入預訓練權重，從零開始訓練。<br> 通常會設成 yolov9-s.pt 來做 fine-tune，效果會更好。<br> 設成 '' 表示完全 scratch（比較難收斂）。 |
| `--cfg models/detect/yolov9-s.yaml` | 指定模型架構（這裡是 YOLOv9-s = small 版本）。<br> s 比較快，適合車牌這種小資料集。 |
| `--hyp data/hyps/hyp.scratch-high.yaml` | 訓練超參數（hyperparameters），例如：<br> * 學習率 (lr) <br> * 損失函數權重<br> * 增強方法 (data augmentation) |
| `--name yolov9-plates` | 訓練結果會存到 runs/train/yolov9-plates/ 資料夾，方便區分不同實驗。 |
| `--cache ram` | 把資料集 cache 到記憶體（RAM）裡，讀取影像速度更快，加快訓練。 <br> 需要有足夠的 RAM（建議至少 16GB 以上）。 |
## 偵測＋裁切（給 OCR 用）
```cmd=
python detect.py --source C:\path\to\test.jpg --weights runs\train\yolov9-plates\weights\best.pt --img 416 --save-crop --classes 0 --exist-ok
```
成功會在 （目前工作目錄） 產生 runs\detect\...\crops\plate\*.jpg。
-------------------------------
## 訓練完成後的工作
### 檢查訓練結果
* 訓練曲線
在 runs/train/yolov9-plates/ 目錄中，可能會有 results.png 或 metrics 資料夾，沒有可以安裝 tensorboard：
``` cmd=
conda install tensorboard
(yolov9) C:\...\yolov9>tensorboard --logdir=./runs
TensorFlow installation not found - running with reduced feature set.
Serving TensorBoard on localhost; to expose to the network, use a proxy or pass --bind_all
TensorBoard 2.19.0 at http://localhost:..../ (Press CTRL+C to quit)
```
觀察 box_loss、cls_loss、dfl_loss 是否下降穩定，確認沒有過度震盪或 NaN
* 最佳模型
runs/train/yolov9-plates/weights/ 裡會有：
best.pt → 根據驗證集的最優結果存下的模型
last.pt → 訓練最後的模型
### 驗證模型效果
* 在驗證集上測試：
```cmd=
python detect.py --weights runs/train/yolov9-plates/weights/best.pt --img 416 --conf 0.25 --source Carplatev9/valid/images
```
會看到車牌預測框與信心分數，確認模型辨識正確。
也可以用 metrics.py 計算 mAP、precision、recall 等指標。
#### 遇到的一些問題：
* PyTorch 在 2.6 以後，`torch.load()` 預設用 `weights_only=True`，結果就把你訓練好的 best.pt 當成「不安全的檔案」，直接報 `_pickle.UnpicklingError`。
找到 `models/experimental.py` 裡這段（大概 243 行左右）：
```python=
ckpt = torch.load(attempt_download(w), map_location='cpu') # load
```
改成
```python=
ckpt = torch.load(attempt_download(w), map_location='cpu', weights_only=False)
```
* 模型 forward 出來的 `pred` 是 list，但是 YOLOv9 的 `detect.py` 期待的是 tensor，所以在跑 `non_max_suppression(pred, …)` 的時候掛掉。
打開 detect.py 找到這段（大約在 100 行左右），改成：
```python=
with dt[1]:
visualize = increment_path(save_dir / Path(path).stem, mkdir=True) if visualize else False
pred = model(im, augment=augment, visualize=visualize)
# 如果 pred 是 tuple/list，取第一個輸出
if isinstance(pred, (list, tuple)):
pred = pred[0]
# NMS
with dt[2]:
pred = non_max_suppression(pred, conf_thres, iou_thres, classes, agnostic_nms, max_det=max_det)
```
驗證完成的結果會存在：==runs\detect\exp==
### 推論 / 部署
* 推論單張圖片
```cmd=
python detect.py --weights runs/train/yolov9-plates/weights/best.pt --img 416 --conf 0.25 --source 要測試的照片路徑
```
* 批次推論
```cmd=
python detect.py --weights runs/train/yolov9-plates/weights/best.pt --img 416 --conf 0.25 --source Carplatev9/test/images/
```
導出成 ONNX / TensorRT（方便部署到其他環境）
```cmd=
python export.py --weights runs/train/yolov9-plates/weights/best.pt --img 416 --batch 1 --device 0
```
> 轉換成 TorchScript 格式，代表它可以更穩定地做推理，不會再遇到剛才 list 沒有 device 那種錯誤。
後續可改用 `.torchscript` 來跑 `detect`：
```cmd=
python detect.py --weights runs/train/yolov9-plates/weights/best.torchscript --img 416 --conf 0.25 --source Carplatev9/valid/images
```
### 驗證模型準確度
直接測試 mAP：
```cmd=
python val.py --weights runs/train/yolov9-plates/weights/best.torchscript --data Carplatev9/data.yaml --img 416
```
result:
```ini=
P = 0.989
R = 0.968
mAP50 = 0.993
mAP50-95 = 0.848
# 模型在驗證集上表現很好，車牌偵測幾乎完美。
```
### 視覺化結果
可以把訓練或驗證圖片用 plot_images.py 或 detect.py 查看預測效果。確認邊框位置、信心分數是否合理。
### 保存 & 備份
訓練好的權重 (best.pt、last.pt) 建議備份到雲端或其他磁，也可以導出 YAML config、classes 資料，方便之後重現或在不同專案使用。
## 結語
透過這次 YOLOv9 的環境安裝與實作，可以完整體驗從資料集準備、模型訓練到推論部署的流程。過程中雖然遇到不少挑戰，例如標註格式不相容、CUDA 記憶體不足、程式碼版本差異導致的錯誤，但逐一解決後，也對 YOLO 系列框架的運作方式有了更深入的理解。
最終能夠成功訓練出專屬的車牌辨識模型，並完成偵測與裁切輸出，為後續串接 OCR 進行文字辨識奠定基礎。接下來的方向，可以進一步嘗試模型壓縮、ONNX 部署，或結合 OpenCV、PaddleOCR 打造一個完整的自動化車牌辨識系統。
## 參考資料
[YOLOv9 模型剖析與使用 — 新的 Object detection 模型](https://blog.infuseai.io/yolov9-object-detection-model-introduction-61dc029d8167)
[Taiwan License Plate Recognition Research Tlprr Dataset](https://universe.roboflow.com/jackresearch0/taiwan-license-plate-recognition-research-tlprr/dataset/7)
[【Day 13】前置作業 - 初始化環境](https://ithelp.ithome.com.tw/m/articles/10355341)
[Pytorch – YOLOv9自定義資料訓練](https://www.wpgdadatong.com/blog/detail/74311)
[一些 v7 的範例程式碼](https://www.larrysprognotes.com/YOLOv7_2/)
Sign in with Wallet
Connect another wallet