YOLOv9 使用中的一些问题

这里先提一嘴什么是辅助可逆分支（全名auxiliary reversible branch），在YOLOv9论文中提出利用辅助可逆分支可以使信息更加完整的传递到深层，利用辅助可逆分支在训练时反向传播更新梯度，辅助训练，论文中提到了aux branch只用在训练过程中，推理时不用，值得注意的是辅助可逆分支具有很多的参数量，是一种靠牺牲训练时间提升精度的方法。

论文中提出的PGI（可编程梯度信息）概念就是由辅助可逆分支实现的，辅助分支可以放在任何位置，这体现了其可编程的性质。

yolov9-c.pt 和 yolov9-convert.c.pt 有什么区别？

yolov9-c 是论文中提到的 yolov9 完整模型的权重偏置文件，是包括了辅助可逆分支的。而第二者是 yolov9-c.pt 中的模型删除了辅助分支之后的模型权重文件。

所以这就是 yolov9-c.pt 文件显著大于 v8 ，yolov9-convert.pt 文件小些的原因。

为什么官方项目代码中有 train.py,train_dual.py,train_triple.py,detect.py,detect_dual.py,detect_triple.py,这些 dual，triple 的含义是什么？他们之间的区别是什么？

官方对此做出了回答，detect.py 是作用于没有辅助分支（aux branch）的模型,detect_dual.py 作用于有一条辅助分支的模型,detect_triple.py 作用于有两条辅助分支的模型。

train.py,train_dual.py,train_triple.py 的含义区别和上述类似。

怎么将由train_dual.py 和 train_triple.py 训练之后得到的模型权重文件（.pt 文件）删除辅助分支，转换为无辅助分支的模型？

这是值得做的，因为删除辅助分支后，推理不再经过辅助分支，可加快推理，和论文中提到的一致。

通过官方 GitHub 项目中给出的一个 .ipynb 文件，可以对模型进行转换，删除辅助分支，下面附上链接地址https://github.com/WongKinYiu/yolov9/blob/main/tools/reparameterization.ipynb，这个文件其实可以在下载下来的项目代码中可以找到，位置就在yolov9/tools/reparameterization.ipynb。

这里附上yolov9-c模型的转换代码

import torch
from models.yolo import Model

model_file = 'runs/train/exp10/weights/best.pt'    # 训练的yolov9模型权重文件
save_file = './yolov9c_converted.pt'               # 转化后模型文件的地址
input_channels, nc = 3, 1                          # 输入通道数，预测类别数

device = torch.device("cpu")
cfg = "./models/detect/gelan-c.yaml"
model = Model(cfg, ch=input_channels, nc=nc, anchors=3)
#model = model.half()
model = model.to(device)
_ = model.eval()
ckpt = torch.load(model_file, map_location='cpu')
# ckpt['model'] = ckpt['ema']    # 转换临时best.pt可能会丢失精度，见github.com/WongKinYiu/yolov9/issues/198
model.names = ckpt['model'].names
model.nc = ckpt['model'].nc
idx = 0
for k, v in model.state_dict().items():
    if "model.{}.".format(idx) in k:
        if idx < 22:
            kr = k.replace("model.{}.".format(idx), "model.{}.".format(idx+1))
            model.state_dict()[k] -= model.state_dict()[k]
            model.state_dict()[k] += ckpt['model'].state_dict()[kr]
        elif "model.{}.cv2.".format(idx) in k:
            kr = k.replace("model.{}.cv2.".format(idx), "model.{}.cv4.".format(idx+16))
            model.state_dict()[k] -= model.state_dict()[k]
            model.state_dict()[k] += ckpt['model'].state_dict()[kr]
        elif "model.{}.cv3.".format(idx) in k:
            kr = k.replace("model.{}.cv3.".format(idx), "model.{}.cv5.".format(idx+16))
            model.state_dict()[k] -= model.state_dict()[k]
            model.state_dict()[k] += ckpt['model'].state_dict()[kr]
        elif "model.{}.dfl.".format(idx) in k:
            kr = k.replace("model.{}.dfl.".format(idx), "model.{}.dfl2.".format(idx+16))
            model.state_dict()[k] -= model.state_dict()[k]
            model.state_dict()[k] += ckpt['model'].state_dict()[kr]
    else:
        while True:
            idx += 1
            if "model.{}.".format(idx) in k:
                break
        if idx < 22:
            kr = k.replace("model.{}.".format(idx), "model.{}.".format(idx+1))
            model.state_dict()[k] -= model.state_dict()[k]
            model.state_dict()[k] += ckpt['model'].state_dict()[kr]
        elif "model.{}.cv2.".format(idx) in k:
            kr = k.replace("model.{}.cv2.".format(idx), "model.{}.cv4.".format(idx+16))
            model.state_dict()[k] -= model.state_dict()[k]
            model.state_dict()[k] += ckpt['model'].state_dict()[kr]
        elif "model.{}.cv3.".format(idx) in k:
            kr = k.replace("model.{}.cv3.".format(idx), "model.{}.cv5.".format(idx+16))
            model.state_dict()[k] -= model.state_dict()[k]
            model.state_dict()[k] += ckpt['model'].state_dict()[kr]
        elif "model.{}.dfl.".format(idx) in k:
            kr = k.replace("model.{}.dfl.".format(idx), "model.{}.dfl2.".format(idx+16))
            model.state_dict()[k] -= model.state_dict()[k]
            model.state_dict()[k] += ckpt['model'].state_dict()[kr]
_ = model.eval()
m_ckpt = {'model': model.half(),
          'optimizer': None,
          'best_fitness': None,
          'ema': None,
          'updates': None,
          'opt': None,
          'git': None,
          'date': None,
          'epoch': -1}
torch.save(m_ckpt, save_file)

通过对此代码的解析，发现这份代码将原本的yolov9-c.yaml中的网络改为了gelan-c.yaml的网络，去掉了辅助分支。那么yolov9-e的转换，自然只需要将代码中的gelan-c改为gelan-e就可以了。

去掉辅助分支后的网络才叫做yolov9，可以看到去掉辅助分支后网络参数量为25227859个，运算速度101.8GFLOPs（GFLOPs与个人设备也有关），和官方提供的数据相同。

转换后的模型，yolov9-c-converted.pt请使用detect.py进行推理检测。