內容全參考影片 : https://www.youtube.com/watch?v=tMwyxKttZd0&t=60s
首先建立一個Conda的虛擬環境，之後進入後先下載labelImg。
(Labelimg) C:\Users\pudy6>pip install labelImg如果labelImg閃退，建議不用進到虛擬環境，直接去下載LabelImg。
建立一個dataset資料夾
dataset
├─images
│ ├─test(測試集)
│ ├─train(訓練集)
│ └─val(驗證集)
└─labels
├─test
├─train
└─val8:1:1
點擊Open Dir打開訓練集的圖片資料夾。
接著要選擇剛剛資料夾中的Label資料夾
要改成YOLO的格式，就可以開始框了
建議開啟這兩個。
接著下載yolov9的專案包，解壓縮後進入資料夾。
我將yolov9-main改為yolov9，依據個人喜好。
(Labelimg) C:\Users\pudy6\Desktop\yolov9>pip install -r requirements.txt接著安裝相關套件，然後進入到PyTorch依據自己的版本下載。
安裝的過程我們可以先將dataset搬到data底下。
接著更改coco.yaml這支檔案我將它改名為datasets.yaml。
train.py 參數解析：
| 參數 | 你目前設定值 | 說明 |
|---|---|---|
--weights | yolov9-c-converted.pt | 預訓練權重（模型初始值） |
--data | data/datasets.yaml | 資料集配置（train/val 路徑與類別） |
--hyp | data/hyps/hyp.scratch-high.yaml | 超參數設定（學習率、增強等） |
--epochs | 100 | 訓練回合數 |
--batch-size | 4 | 每次訓練批次（因為 GPU 6GB 限制） |
--img | 512 | 訓練圖片大小（寬高） |
--device | 0 | 使用 GPU 0（RTX 2060） |
--workers | 1 | 資料載入執行緒數量（Windows 建議設低） |
--cache | 開啟 | 預先載入影像，加快訓練速度 |
--optimizer | 預設 SGD | 最佳化器（可改為 Adam / AdamW） |
--freeze | [0] | 不凍結層（全部訓練） |
--single-cls | False | 多類別訓練 |
--project | runs/train | 輸出資料夾 |
--name | exp7 | 訓練結果名稱 |
--save-period | -1 | 不定期保存模型（僅保存最佳/最後） |
--noval | False | 每個 epoch 都驗證 |
--patience | 100 | 提前停止條件（未改） |
超參數檔（hyp.scratch-high.yaml）主要內容：
| 超參數 | 你目前設定 | 說明 |
|---|---|---|
lr0 | 0.01 | 初始學習率 |
lrf | 0.01 | 最終學習率比例 |
momentum | 0.937 | 動量（影響更新穩定性） |
weight_decay | 0.0005 | 權重衰減（防止過擬合） |
box | 7.5 | 邊界框損失權重 |
cls | 0.5 | 類別損失權重 |
obj | 0.7 | 物件置信度損失權重 |
iou_t | 0.2 | IoU 閾值 |
fl_gamma | 0.0 | Focal Loss 參數 |
hsv_h/s/v | 0.015 / 0.7 / 0.4 | 顏色增強（色相、飽和度、亮度） |
translate | 0.1 | 平移比例 |
scale | 0.9 | 縮放比例 |
mixup | 0.15 | 圖像混合比例 |
copy_paste | 0.3 | 分割貼上比例 |
調整完後就可以開始訓練。
二、驗證指令 val.py
(Labelimg) C:\Users\pudy6\Desktop\yolov9>python val.py跑完後你會在runs\val\exp2看到驗證後的圖像。
YOLOv9 訓練相關問題
❌ 問題 1：File not found: data/hyps/hyp.scratch-low.yaml
原因： 檔案路徑錯誤或名稱不一致。
✅ 解法：
確定你有這些檔案：
yolov9/data/hyps/hyp.scratch-low.yaml
yolov9/data/hyps/hyp.scratch-high.yaml如果沒有，從官方 repo 重新下載或複製一份。
