# YOLOv9
## 论文
https://arxiv.org/abs/2402.13616
## 模型结构
YOLOv9引入了可编程梯度信息 (PGI) 和广义高效层聚合网络 (GELAN) 等开创性技术，标志着实时目标检测领域的重大进步。
## 算法原理
YOLOv9从可逆函数角度理论上分析了现有的CNN架构，基于这种分析，YOLOv9作者还设计了PGI和辅助可逆分支，并取得了优秀的结果；
YOLOv9用到的PGI解决了深度监督只能用于极深的神经网络架构的问题，因此使得新的轻量级架构才更适合落地；
YOLOv9中设计的GELAN仅使用传统卷积，就能实现比基于最先进技术的深度可分卷积设计更高的参数使用率，同时展现出轻量级、快速和精确的巨大优势；
基于所提出的PGI和GELAN，YOLOv9在MS COCO数据集上的性能在所有方面都大大超过了现有的实时目标检测器。
PGI主要包括三个组成部分，即：主分支, 辅助可逆分支, 多级辅助信息。PGI推理过程仅使用主分支，因此不需要任何额外的推理成本。
YOLOv9提出了新网络架构——GELAN。GELAN通过结合两种神经网络架构，即结合用梯度路径规划（CSPNet）和（ELAN）设计了一种广义的高效层聚合网络（GELAN）；GELAN综合考虑了轻量级、推理速度和准确度。GELAN整体架构如上图所示。YOLOv9将ELAN的能力进行了泛化，原始ELAN仅使用卷积层的堆叠，而GELAN可以使用任何计算块作为基础Module。
## 环境配置
### Docker（方法一）
拉取镜像：
```shell
docker pull image.sourcefind.cn:5000/dcu/admin/base/migraphx:4.3.0-ubuntu20.04-dtk24.04.1-py3.10
```
创建并启动容器：
```shell
docker run --shm-size 16g --network=host --name=yolov9_migraphx --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v /opt/hyhal:/opt/hyhal:ro -v $PWD/yolov9_migraphx:/home/yolov9_migraphx -it /bin/bash
# 激活dtk
source /opt/dtk/env.sh
```
### Dockerfile（方法二）
```shell
cd ./docker
docker build --no-cache -t yolov9_migraphx:2.0 .
docker run --shm-size 16g --network=host --name=yolov9_migraphx --privileged --device=/dev/kfd --device=/dev/dri --group-add video --cap-add=SYS_PTRACE --security-opt seccomp=unconfined -v /opt/hyhal:/opt/hyhal:ro -v $PWD/yolov9_migraphx:/home/yolov9_migraphx -it /bin/bash
# 激活dtk
source /opt/dtk/env.sh
```
## 数据集
根据提供的样本数据，进行目标检测。
模型下载：链接: https://pan.baidu.com/s/15IghjVixiY2z4DSySZ6XHg?pwd=e7mu 提取码: e7mu 将下载的yolov9-c-dynamic.onnx和yolov9-c.onnx放到目录/Resource/Models下。
## 推理
### Python版本推理
下面介绍如何运行Python代码示例，Python示例的详细说明见Doc目录下的Tutorial_Python.md。
#### 设置环境变量
```shell
export PYTHONPATH=/opt/dtk/lib:$PYTHONPATH
```
#### 安装依赖
```shell
# 进入python示例目录
cd /Python
# 安装依赖
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
```
#### 运行示例
YOLOv9模型的推理示例程序是YoloV9_infer_migraphx.py，使用如下命令运行该推理示例：
1. 静态推理
```shell
python YoloV9_infer_migraphx.py --staticInfer
```
2. 动态推理
```shell
python YoloV9_infer_migraphx.py --dynamicInfer
```
### C++版本推理
注意：当使用操作系统不一样时，CMakeList需要做相应的修改：
```
# ubuntu操作系统
${CMAKE_CURRENT_SOURCE_DIR}/depend/lib64/ 修改为 ${CMAKE_CURRENT_SOURCE_DIR}/depend/lib/
# centos操作系统
${CMAKE_CURRENT_SOURCE_DIR}/depend/lib/ 修改为 ${CMAKE_CURRENT_SOURCE_DIR}/depend/lib64/
```
下面介绍如何运行C++代码示例，C++示例的详细说明见Doc目录下的Tutorial_Cpp.md。
#### 构建工程
```shell
cd
rbuild build -d depend
```
#### 设置环境变量
将依赖库依赖加入环境变量LD_LIBRARY_PATH，在~/.bashrc中添加如下语句：
当操作系统是ubuntu系统时：
```shell
export LD_LIBRARY_PATH=/depend/lib/:$LD_LIBRARY_PATH
```
当操作系统是centos系统时：
```shell
export LD_LIBRARY_PATH=/depend/lib64/:$LD_LIBRARY_PATH
```
然后执行:
```shell
source ~/.bashrc
```
#### 运行示例
YOLOv9示例程序编译成功后，执行如下指令运行该示例：
```shell
# 进入yolov9 migraphx工程根目录
cd
# 进入build目录
cd build/
```
1. 静态推理
```shell
./YOLOV9 0
```
2. 动态推理
```shell
./YOLOV9 1
```
## result
### Python版本
静态推理：
python程序运行结束后，会在当前目录生成YOLOV9静态推理检测结果可视化图像。
动态推理：
python程序运行结束后，会在当前目录生成YOLOv9动态推理检测结果可视化图像。
### C++版本
静态推理：
C++程序运行结束后，会在build目录生成YOLOV9静态推理检测结果可视化图像。
动态推理：
C++程序运行结束后，会在build目录生成YOLOv9动态shape推理检测结果可视化图像。
### 精度
无
## 应用场景
### 算法类别
`目标检测`
### 热点应用行业
`交通`,`教育`,`化工`
## 源码仓库及问题反馈
https://developer.sourcefind.cn/codes/modelzoo/yolov9_migraphx
## 参考资料
https://github.com/WongKinYiu/yolov9