YOLOv9推理结果保存在哪？runs/detect路径详解教程-平芜编程栈

YOLOv9推理结果保存在哪？runs/detect路径详解教程

1. 镜像环境说明

本镜像基于 YOLOv9 官方代码库构建，预装了完整的深度学习开发环境，集成了训练、推理及评估所需的所有依赖，开箱即用。用户无需手动配置复杂的依赖关系，可直接进入/root/yolov9目录进行模型训练与推理任务。

核心框架: pytorch==1.10.0
CUDA版本: 12.1
Python版本: 3.8.5
主要依赖: torchvision==0.11.0，torchaudio==0.10.0，cudatoolkit=11.3，numpy，opencv-python，pandas，matplotlib，tqdm，seaborn 等。
代码位置:/root/yolov9

该环境适用于大多数目标检测场景下的快速实验和部署需求，尤其适合希望专注于模型调优而非环境搭建的研究者和开发者。

2. 快速上手

2.1 激活环境

启动容器后，默认处于base环境中，需先激活yolov9专用 Conda 环境：

conda activate yolov9

此环境已预装所有必要的 Python 包和 CUDA 支持，确保 PyTorch 能正确调用 GPU 进行加速计算。

2.2 模型推理 (Inference)

进入 YOLOv9 项目主目录：

cd /root/yolov9

使用以下命令执行图像推理示例：

python detect_dual.py --source './data/images/horses.jpg' --img 640 --device 0 --weights './yolov9-s.pt' --name yolov9_s_640_detect

参数说明：

--source：输入源路径，支持图片、视频或摄像头设备。
--img：推理时的输入图像尺寸（默认为 640×640）。
--device：指定运行设备，0表示使用第一块 GPU；若使用 CPU 可设为-1。
--weights：模型权重文件路径，此处使用预下载的yolov9-s.pt。
--name：输出结果子目录名称，将决定保存路径中的文件夹名。

2.3 推理结果保存路径解析

YOLOv9 的推理结果默认保存在项目根目录下的runs/detect/路径中，具体结构如下：

/root/yolov9/ └── runs/ └── detect/ └── yolov9_s_640_detect/ ├── horses.jpg # 原图（如有） ├── predictions.jpg # 可视化标注图 └── labels/ # 检测框标签（可选生成） └── horses.txt

关键点说明：

runs/detect/是默认输出根目录
所有通过detect_dual.py或detect.py生成的结果均会存放在该目录下，系统会自动创建该路径。
子目录由--name参数控制
上述命令中--name yolov9_s_640_detect明确指定了输出子目录名。如果不设置--name，程序将自动生成类似exp,exp2的递增命名目录。
可视化结果文件
输出图像包含边界框、类别标签和置信度分数，通常命名为predictions.jpg或与原图同名但带标注。
检测结果文本文件（可选）
若启用保存标签功能（如修改代码或添加参数），每个检测对象的信息将以 YOLO 格式存储于labels/子目录中，每行格式为：
```
class_id center_x center_y width height confidence
```

重要提示：如果需要批量处理多张图像或视频流，建议显式设置--name以避免结果被覆盖。

2.4 自定义保存路径

虽然默认路径是runs/detect/，但可通过修改detect_dual.py中的save_dir参数来自定义输出位置。例如：

from utils.general import increment_path save_dir = increment_path(Path('custom_output') / 'exp', exist_ok=False) # 自定义路径

或者在命令行中扩展脚本支持--project和--name组合参数（部分版本支持）：

python detect_dual.py \ --source ./data/images/test.jpg \ --weights yolov9-s.pt \ --project custom_results \ --name my_detection \ --device 0

此时输出路径变为：custom_results/my_detection/

3. 模型训练流程简要说明

除了推理外，该镜像也支持完整训练流程。以下是单卡训练示例：

python train_dual.py \ --workers 8 \ --device 0 \ --batch 64 \ --data data.yaml \ --img 640 \ --cfg models/detect/yolov9-s.yaml \ --weights '' \ --name yolov9-s \ --hyp hyp.scratch-high.yaml \ --min-items 0 \ --epochs 20 \ --close-mosaic 15

训练过程中，日志、权重和可视化图表将保存在runs/train/yolov9-s/目录下，包括：

weights/best.pt：最佳模型权重
weights/last.pt：最终轮次权重
results.csv：各 epoch 的 mAP、precision、recall 等指标
val_batch*.jpg：验证集预测效果图

4. 已包含权重文件说明

镜像内已预下载轻量级模型权重yolov9-s.pt，位于/root/yolov9/yolov9-s.pt，可直接用于推理或作为微调起点。

模型类型	参数量（约）	推理速度（FPS, Tesla T4）	下载来源
YOLOv9-s	7.2M	180	GitHub Release

如需其他变体（如yolov9-m,yolov9-c,yolov9-e），可手动下载并放入项目目录，再通过--weights指定路径。

5. 常见问题与解决方案

5.1 结果未生成或路径为空？

请检查以下几点：

是否成功激活yolov9环境？
输入图像路径是否正确？建议使用绝对路径测试。
权重文件是否存在且可读？运行ls ./yolov9-s.pt验证。
GPU 是否可用？执行nvidia-smi查看状态。

5.2 如何查看保存的检测结果？

对于图像输入，可在 Jupyter Notebook 或本地下载后查看：

from IPython.display import Image Image('runs/detect/yolov9_s_640_detect/predictions.jpg')

对于视频输入，输出为.mp4文件，可用 VLC 或 OpenCV 播放验证。

5.3 多次运行导致结果覆盖？

YOLOv9 默认行为是递增创建新目录（如 exp, exp2, exp3...），但如果指定了相同的--name，则会被覆盖（除非设置exist_ok=True）。建议：

每次实验使用唯一名称；
或定期备份重要结果。

5.4 如何导出为 JSON 或 CSV 格式？

YOLO 原生不直接输出结构化数据，但可通过后处理提取信息。示例代码如下：

import cv2 import torch # 加载模型 model = torch.hub.load('/root/yolov9', 'custom', path='./yolov9-s.pt', source='local') # 推理 results = model('./data/images/horses.jpg') df = results.pandas().xyxy[0] # 转为 Pandas DataFrame print(df[['xmin', 'ymin', 'xmax', 'ymax', 'confidence', 'name']]) # 保存为 CSV df.to_csv('detection_results.csv', index=False)

输出字段说明：