YOLOv9学术引用格式：BibTeX文献标准写法-开发者社区

YOLOv9学术引用格式：BibTeX文献标准写法

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。适用于目标检测任务的快速实验验证与模型部署。

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 等常用科学计算和深度学习工具包
代码位置:/root/yolov9

该环境已针对 YOLOv9 的训练和推理流程进行了优化配置，避免因版本不兼容导致的运行错误，显著提升研发效率。

2. 快速上手

2.1 激活环境

启动容器后，默认处于base环境中，需手动激活yolov9虚拟环境以加载正确的依赖：

conda activate yolov9

建议在执行任何操作前确认当前环境是否正确，可通过以下命令查看当前激活的环境：

conda info --envs

2.2 模型推理 (Inference)

进入 YOLOv9 项目根目录：

cd /root/yolov9

使用如下命令进行图像检测示例（默认输入为 horses.jpg）：

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、视频或摄像头设备编号 ---img: 推理时输入图像尺寸（默认 640×640） ---device: 使用 GPU 设备编号（0 表示第一块显卡） ---weights: 指定预训练权重文件路径 ---name: 输出结果保存目录名称

推理结果将自动保存至runs/detect/yolov9_s_640_detect目录下，包含标注框可视化图像。

2.3 模型训练 (Training)

使用单 GPU 进行模型训练的典型命令如下：

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

关键参数解释： ---workers: 数据加载线程数，建议根据 CPU 核心数调整 ---batch: 批次大小，受显存限制，请根据硬件条件调节 ---data: 数据集配置文件路径（需符合 YOLO 格式） ---cfg: 模型结构定义文件 ---weights: 初始权重路径，空字符串表示从头训练 ---hyp: 超参数配置文件，控制数据增强与损失权重 ---epochs: 总训练轮数 ---close-mosaic: 在指定 epoch 关闭 Mosaic 增强，有助于稳定后期训练

训练日志与权重将保存在runs/train/yolov9-s目录中。

3. 已包含权重文件

镜像内已预下载轻量级模型yolov9-s.pt，位于/root/yolov9目录下，可直接用于推理或微调任务，无需额外下载。

如需获取其他变体（如 yolov9-m、yolov9-c、yolov9-e 等），请参考官方仓库提供的权重链接并自行下载至对应路径。

4. 常见问题

数据集准备
请确保你的数据集按照 YOLO 格式组织，即每个图像对应一个.txt标注文件，类别索引从 0 开始。同时，在data.yaml中正确设置train,val,nc（类别数量）和names（类别名列表）字段。
环境激活失败
若提示conda: command not found，请检查容器是否完整加载 Conda 环境。若使用 Docker 启动，请确保 Shell 类型为 bash 且 Conda 初始化已完成。可尝试运行：bash source /opt/conda/etc/profile.d/conda.sh
显存不足（Out of Memory）
可通过降低--batch或--img尺寸缓解。例如将--batch 64改为--batch 32或16。
无法访问输出目录
所有输出均生成于项目目录下的runs/子目录中，请确认挂载路径权限设置正确，便于宿主机访问训练结果。

5. 参考资料

官方仓库: WongKinYiu/yolov9
提供完整源码、模型结构定义、训练脚本及最新更新日志。
文档说明: 详细用法请参考官方库中的README.md文件，涵盖多卡训练、ONNX 导出、TensorRT 部署等高级功能。
arXiv 论文地址: YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information

6. 引用

在学术研究或技术报告中使用 YOLOv9 时，应规范引用其原始论文。以下是标准的 BibTeX 引用格式：

@article{wang2024yolov9, title={{YOLOv9}: Learning What You Want to Learn Using Programmable Gradient Information}, author={Wang, Chien-Yao and Liao, Hong-Yuan Mark}, journal={arXiv preprint arXiv:2402.13616}, year={2024} }

此外，若涉及 YOLO 系列的前期工作（如 YOLOR），也可补充引用相关文献：

@article{chang2023yolor, title={{YOLOR}-Based Multi-Task Learning}, author={Chang, Hung-Shuo and Wang, Chien-Yao and Wang, Richard Robert and Chou, Gene and Liao, Hong-Yuan Mark}, journal={arXiv preprint arXiv:2309.16921}, year={2023} }