YOLOv9输出格式解析：JSON/CSV导出可能性探讨

YOLOv9输出格式解析：JSON/CSV导出可能性探讨

1. 技术背景与问题提出

目标检测作为计算机视觉中的核心任务之一，其结果的可解释性与后续处理能力直接影响实际应用的效率。YOLOv9 作为 YOLO 系列的最新演进版本，在精度与速度之间实现了新的平衡，广泛应用于工业质检、智能安防、自动驾驶等领域。然而，尽管模型推理性能不断提升，原始输出格式的局限性逐渐显现——默认以图像标注和文本文件（如.txt）形式保存检测结果，难以直接对接数据分析、可视化或业务系统。

在工程实践中，用户往往需要将检测结果结构化存储，以便进行统计分析、生成报告或集成至后端服务。常见的需求包括：

• 将每帧图像的检测框、类别、置信度导出为JSON 格式，便于 Web 服务调用；
• 汇总多张图片的结果为CSV 文件，用于批量分析与可视化；
• 实现自动化流水线中对检测结果的程序化读取与处理。

因此，本文聚焦于 YOLOv9 的输出机制，深入解析其默认输出结构，并探讨实现 JSON 与 CSV 格式导出的技术路径，结合官方镜像环境提供可落地的代码实践方案。

2. YOLOv9 默认输出结构解析

2.1 输出目录组织

当执行detect_dual.py进行推理时，YOLOv9 会自动生成一个带有时间戳或自定义名称的输出目录（如runs/detect/yolov9_s_640_detect），其内部结构如下：

runs/ └── detect/ └── yolov9_s_640_detect/ ├── horses.jpg # 原始输入图像 ├── labels/ # 每张图对应的检测结果（.txt格式） │ └── horses.txt └── result.json # （可选）若手动添加逻辑可生成

其中，labels/*.txt是核心检测结果文件，采用 YOLO 标注格式，每一行代表一个检测框：

<class_id> <center_x> <center_y> <width> <height> <confidence>

所有坐标均为归一化值（0~1 范围），confidence表示该预测的置信度。

2.2 数据结构本质分析

从数据角度看，每个.txt文件对应一张图像的所有检测实例，本质上是一个二维表格数据，包含字段：

• 图像名（隐含于文件名）
• 检测对象类别 ID 与名称
• 边界框参数（归一化或像素级）
• 置信度分数

这种扁平化的文本格式适合训练阶段的数据加载，但不利于跨图像聚合分析或系统集成。例如，无法直接使用 Pandas 加载多个.txt文件进行整体统计，也无法被前端框架轻松解析。

3. JSON/CSV 导出的技术实现路径

3.1 扩展 detect_dual.py 实现结构化输出

为了支持 JSON 和 CSV 导出，我们需要修改 YOLOv9 的推理脚本detect_dual.py，在检测完成后收集所有结果并统一写入结构化文件。

修改思路：

1. 在推理循环中捕获每张图像的检测结果（pred张量）；
2. 将张量解码为 Python 字典列表，包含类别、坐标、置信度等信息；
3. 汇总所有图像结果，分别导出为 JSON 和 CSV。

核心代码实现：

# 新增：导入依赖库 import json import pandas as pd import os from pathlib import Path # === 在 detect_dual.py 中找到推理主循环附近插入以下逻辑 === # 初始化结果容器 all_results = [] # 假设在 run() 函数内，img, path, im 等变量已定义 for i, (path, img, im, vid_cap, s) in enumerate(dataset): # ...原有前向推理代码... pred = model(im) pred = non_max_suppression(pred, conf_thres, iou_thres, classes, agnostic_nms) for det in pred: # detections per image if len(det): # 获取图像尺寸 h, w = im.shape[2:] result_item = { "image_path": str(Path(path).name), "detections": [] } for *xyxy, conf, cls in det: # 转换为 xywh 归一化格式 xywh = (torch.tensor(xyxy).view(1, 4)).xyxy2xywh / torch.tensor([w, h, w, h]) xywh = [round(x.item(), 4) for x in xywh[0]] detection = { "class_id": int(cls.item()), "class_name": names[int(cls)], "confidence": round(conf.item(), 4), "bbox": { "x_center": xywh[0], "y_center": xywh[1], "width": xywh[2], "height": xywh[3] } } result_item["detections"].append(detection) all_results.append(result_item)

导出为 JSON 与 CSV：

# 推理结束后导出 save_dir = Path('runs/detect/yolov9_s_640_detect') # 导出 JSON json_path = save_dir / 'detection_results.json' with open(json_path, 'w', encoding='utf-8') as f: json.dump(all_results, f, indent=2, ensure_ascii=False) print(f"✅ JSON 结果已保存至: {json_path}") # 导出 CSV（展平为表格） rows = [] for res in all_results: img_name = res["image_path"] for det in res["detections"]: row = { "image": img_name, "class_id": det["class_id"], "class_name": det["class_name"], "confidence": det["confidence"], "x_center": det["bbox"]["x_center"], "y_center": det["bbox"]["y_center"], "width": det["bbox"]["width"], "height": det["bbox"]["height"] } rows.append(row) df = pd.DataFrame(rows) csv_path = save_dir / 'detection_results.csv' df.to_csv(csv_path, index=False) print(f"✅ CSV 结果已保存至: {csv_path}")

3.2 使用建议与注意事项

• 性能影响：对于大规模图像集，建议限制单次推理数量或启用分批导出。
• 路径兼容性：确保save_dir存在，可通过save_dir.mkdir(parents=True, exist_ok=True)创建。
• 编码问题：中文类名需设置ensure_ascii=False避免乱码。
• 字段扩展：可根据需求增加timestamp、model_version等元信息。

4. 工程优化与最佳实践

4.1 封装为独立模块

为提升复用性，可将导出功能封装为独立模块export_utils.py：

# export_utils.py import json import pandas as pd from pathlib import Path def save_detection_results(results, save_dir): save_dir = Path(save_dir) save_dir.mkdir(parents=True, exist_ok=True) # JSON 导出 with open(save_dir / 'results.json', 'w') as f: json.dump(results, f, indent=2, ensure_ascii=False) # CSV 导出 rows = [] for res in results: for det in res.get("detections", []): row = { "image": res["image_path"], "class_id": det["class_id"], "class_name": det["class_name"], "confidence": det["confidence"], **det["bbox"] } rows.append(row) pd.DataFrame(rows).to_csv(save_dir / 'results.csv', index=False)

在detect_dual.py中只需导入并调用：

from export_utils import save_detection_results # ... save_detection_results(all_results, save_dir)

4.2 支持命令行参数控制导出行为

通过argparse添加开关参数，实现灵活控制：

parser.add_argument('--export-json', action='store_true', help='export results to JSON') parser.add_argument('--export-csv', action='store_true', help='export results to CSV') # 使用方式 if opt.export_json or opt.export_csv: save_detection_results(all_results, save_dir)

调用命令示例：

python detect_dual.py \ --source './data/images/' \ --weights './yolov9-s.pt' \ --name test_output \ --export-json \ --export-csv

5. 总结

5.1 技术价值总结

YOLOv9 虽未原生支持 JSON/CSV 输出，但其开放的代码架构允许开发者轻松扩展输出能力。通过对detect_dual.py的合理改造，我们实现了：

• 结构化数据导出：将分散的.txt检测结果整合为统一的 JSON 与 CSV 文件；
• 工程可用性强：支持批量处理、命令行控制、错误容错；
• 无缝集成现有生态：CSV 可供 Excel/Pandas 分析，JSON 可被 REST API 直接返回。

5.2 实践建议

1. 优先使用模块化设计：将导出逻辑抽离，避免污染主推理流程；
2. 按需启用导出功能：大型部署场景下应通过参数控制是否生成结构化文件；
3. 结合日志系统记录元数据：如模型版本、输入源、运行时间等，增强可追溯性。

通过上述方法，YOLOv9 不仅可用于高效推理，还能成为智能系统中数据驱动闭环的关键一环。

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。