YOLOv9标签映射修改：自定义类别名称方法

YOLOv9标签映射修改：自定义类别名称方法

你训练完自己的YOLOv9模型，推理时框里却只显示数字0、1、2……而不是“person”“car”“dog”这些看得懂的类别名？或者你用官方预训练权重做检测，结果输出全是“0”“1”“2”，完全不知道对应什么物体？别急——这不是模型坏了，而是类别名称映射没改对。本文就带你从零开始，手把手在YOLOv9官方镜像中完成标签映射的完整修改，让检测结果真正“说人话”。

整个过程不碰模型结构、不重写训练逻辑，只改3个关键位置，5分钟内搞定。无论你是刚跑通第一个demo的新手，还是正在调试自定义数据集的开发者，都能照着操作一步到位。

1. 为什么YOLOv9默认只显示数字？

YOLOv9（包括v5/v8）内部用整数索引表示类别，比如0代表第1个类别，1代表第2个类别……这个映射关系由一个叫names的列表控制。但很多用户没意识到：这个列表既存在于训练配置文件中，也硬编码在推理脚本里，还可能被权重文件自带的names覆盖。三者不一致，就会出现“训练时叫cat，推理时显示0”的混乱。

更关键的是，YOLOv9官方代码（尤其是detect_dual.py这类双分支检测脚本）默认读取权重文件中保存的names，而官方发布的yolov9-s.pt里存的是COCO数据集的80类名称。如果你的数据集只有3类，或者类别顺序不同，直接加载就会错位。

所以，修改不是“选一个地方改”，而是同步校准三个环节：数据配置、推理脚本、权重兼容性。

2. 修改前准备：确认当前环境与路径

我们使用的镜像是基于YOLOv9官方代码构建的开箱即用环境，所有路径和依赖已预置好。请先确保你已完成以下两步：

• 启动镜像后，执行conda activate yolov9激活专用环境
• 进入代码根目录：cd /root/yolov9

验证当前状态：运行以下命令查看官方权重中保存的类别名

python -c "import torch; w = torch.load('./yolov9-s.pt', map_location='cpu'); print('Names in weight:', w['model'].names if 'names' in w['model'].__dict__ else 'Not found')"

你会看到类似['person', 'bicycle', 'car', ...]的80个COCO类别——这就是当前推理时默认显示的内容来源。

3. 三步完成自定义类别名称映射

3.1 第一步：修改data.yaml中的names字段（训练与评估依据）

YOLOv9通过data.yaml文件定义数据集结构。即使你只是做推理，这个文件也是类别映射的“权威源头”。

打开/root/yolov9/data.yaml（如果不存在可复制一份示例）：

cp data/coco.yaml data/mydataset.yaml nano data/mydataset.yaml

找到names:字段，将其改为你的实际类别。例如，你要检测“apple”“banana”“orange”三类水果：

train: ../mydata/images/train val: ../mydata/images/val test: ../mydata/images/test nc: 3 # number of classes names: ['apple', 'banana', 'orange'] # ← 唯一需要修改的行！必须是Python列表格式

关键提醒：

• nc（number of classes）必须与names列表长度严格一致
• 类别名用英文单引号包裹，逗号后加空格（符合YAML语法）
• 不要写成names: apple, banana, orange或names: [apple, banana, orange]——会报错

改完保存，这一步确保了：
✔ 训练时模型知道每个数字对应哪个名字
✔ 评估指标（mAP）能正确按名统计
✔ 后续推理脚本能从中读取标准映射

3.2 第二步：修改detect_dual.py中的names赋值（推理显示核心）

YOLOv9的detect_dual.py是主推理脚本，它默认优先从权重文件读names。但我们要强制它使用你定义的data.yaml里的names，避免被预训练权重“带偏”。

打开/root/yolov9/detect_dual.py，定位到约第170行附近的if __name__ == '__main__':下方，找到模型加载后的处理段。在model = attempt_load(weights, map_location=device)之后，插入以下代码：

# --- 新增：强制从data.yaml加载names，覆盖权重中保存的names --- if opt.data: # 如果指定了data.yaml路径 import yaml with open(opt.data) as f: data = yaml.safe_load(f) if 'names' in data and isinstance(data['names'], list): model.names = data['names'] print(f" 已从 {opt.data} 加载自定义类别名: {model.names}") else: print(" data.yaml 中未找到有效的 names 字段，继续使用权重内置names") # ---

同时，确保你在运行命令时显式传入--data参数，指向你修改好的yaml：

python detect_dual.py \ --source './data/images/horses.jpg' \ --img 640 \ --device 0 \ --weights './yolov9-s.pt' \ --data './data/mydataset.yaml' \ # ← 关键！告诉脚本去哪读names --name yolov9_s_custom_detect

效果验证：
运行后你会看到控制台打印已从 ./data/mydataset.yaml 加载自定义类别名: ['apple', 'banana', 'orange']，且生成的检测图中框标签将显示为文字而非数字。

3.3 第三步：保存自定义权重（一劳永逸，避免每次传参）

如果你已经用自定义数据集重新训练过模型，新权重文件会自动保存names。但若只是用官方权重做迁移推理，可以手动“注入”names：

python -c " import torch w = torch.load('./yolov9-s.pt', map_location='cpu') # 从data.yaml读取names import yaml with open('./data/mydataset.yaml') as f: data = yaml.safe_load(f) w['model'].names = data['names'] torch.save(w, './yolov9-s-custom.pt') print(' 自定义权重已保存：yolov9-s-custom.pt') "

之后，你就可以直接用新权重，无需再传--data：

python detect_dual.py --source './data/images/test.jpg' --weights './yolov9-s-custom.pt'

优势：

• 推理命令更简洁
• 权重文件自带语义，分享给同事时不会因缺少data.yaml而显示错误标签
• 兼容所有YOLOv9相关脚本（train_dual.py、val.py等）

4. 常见问题与避坑指南

4.1 问题：改了data.yaml，但检测结果还是显示0/1/2？

→ 检查是否在detect_dual.py中漏加了--data参数，或新增代码未生效。
→ 运行时看控制台是否有已从...加载自定义类别名提示。没有则说明代码未执行到。

4.2 问题：names改了，但绘图时中文乱码或显示方块？

YOLOv9默认使用DejaVuSans字体，不支持中文。如需中文标签：

1. 下载中文字体（如simhei.ttf）放入/root/yolov9/目录
2. 在detect_dual.py中搜索cv2.FONT_HERSHEY_SIMPLEX，替换为：

   from PIL import ImageFont, ImageDraw, Image font = ImageFont.truetype('simhei.ttf', 32) # 调整字号

3. 修改绘图逻辑（需重写plot_one_box函数），此处不展开——强烈建议英文命名，避免字体、编码、宽高计算等连锁问题。

4.3 问题：训练时类别名正确，但验证结果（val.py）里还是数字？

val.py同样依赖data.yaml，确保运行时指定--data：

python val.py --data ./data/mydataset.yaml --weights ./runs/train/yolov9-s/weights/best.pt

4.4 问题：修改后报错AttributeError: 'NoneType' object has no attribute 'names'

→ 检查model = attempt_load(...)是否成功。常见原因：

• GPU显存不足导致加载失败（加--device cpu测试）
• 权重路径错误（用ls ./yolov9-s.pt确认存在）
• PyTorch版本不匹配（本镜像为1.10.0，勿升级）

5. 进阶技巧：动态切换类别名（多任务场景）

假设你有一个通用模型，需在“水果检测”和“工业零件检测”两个任务间切换。不必反复修改文件，可用以下方式动态传入：

# 定义环境变量，在命令中直接注入 NAMES="['bolt','nut','washer']" python detect_dual.py \ --source './images/' \ --weights './yolov9-s.pt' \ --name industrial_detect

然后在detect_dual.py中，于模型加载后添加：

import os if os.getenv('NAMES'): try: import ast model.names = ast.literal_eval(os.getenv('NAMES')) print(f"🔧 动态加载NAMES环境变量: {model.names}") except: print("❌ NAMES环境变量格式错误，请用Python列表格式")

这样，同一份代码+权重，通过环境变量即可秒切任务，适合部署到Docker或CI/CD流程。

6. 总结：标签映射修改的本质与要点

YOLOv9的类别名不是“写死”的，而是一套三层映射系统：

• 数据层（data.yaml）：定义“真实世界类别” → “数字ID”的原始映射
• 模型层（weights）：存储训练时确定的映射快照，用于快速加载
• 应用层（detect_dual.py等）：决定运行时采用哪套映射，是最终显示效果的开关

你只需抓住三个动作：

1. 在data.yaml中写对names和nc
2. 在推理脚本中强制从yaml读取，覆盖权重默认值
3. 用--data参数或保存新权重，让修改落地

改完你会发现：检测框旁不再是冰冷的数字，而是清晰的“apple”“banana”——这才是AI该有的样子。下一步，你可以基于此进一步优化：给不同类别配不同颜色框、添加置信度阈值过滤、导出带标签的JSON结果……而这一切，都建立在“名字对得上”这个最基础却最关键的环节之上。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。