YOLOv9推理结果保存路径解析：runs/detect目录结构说明-深圳市維司達科技有限公司

YOLOv9推理结果保存路径解析：runs/detect目录结构说明

你刚跑完YOLOv9的检测命令，终端里跳出一行“Results saved to runs/detect/yolov9_s_640_detect”，可打开文件管理器却找不到这个路径？或者找到了，但里面一堆子文件夹和文件，根本分不清哪个是原图、哪个是标注框、哪个是置信度信息？别急——这不是你操作错了，而是YOLOv9默认的输出组织逻辑确实有点“藏得深”。这篇文章不讲训练原理、不堆参数配置，就专注一件事：把 runs/detect 这个目录彻底拆开、说透、理清楚。无论你是第一次运行 detect_dual.py 的新手，还是想批量提取检测结果做后续分析的进阶用户，看完就能立刻定位你要的图片、坐标、标签和统计信息。

1. 为什么是 runs/detect？从设计逻辑说起

YOLO系列从v5开始就统一采用runs/作为顶层输出根目录，它不是随意命名，而是有明确分工的工程约定：

runs/train/：只放训练过程中的权重（weights）、日志（results.csv）、可视化图（results.png）、验证集预测图（val_batch*.jpg）
runs/val/：存放模型在验证集上的详细评估报告（confusion_matrix.png、F1_curve.png 等）
runs/detect/：专用于推理（inference）输出，所有你用detect_dual.py或detect.py处理过的图片、视频、文件夹，结果都归这里管

这个设计的好处是：一次实验的所有产物自动归类，不会混在一起。你不需要手动创建文件夹、重命名结果，只要记住--name参数填什么，就能精准定位到自己的那批结果。

而detect这个子目录名，也直白地告诉你：它只负责“检测任务”的输出，不掺杂训练、验证、导出ONNX等其他流程。这种清晰的职责划分，对多人协作或长期维护项目特别友好。

2. runs/detect 目录的完整结构图谱

假设你执行了这行命令：

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

那么系统会在/root/yolov9/runs/detect/下创建一个名为yolov9_s_640_detect的文件夹。它的内部结构不是扁平的，而是按用途分层组织的。我们一层一层来看：

2.1 顶层文件夹：yolov9_s_640_detect

这是你通过--name指定的自定义名称，也是整个结果集的“身份证”。建议起名时带上关键信息，比如：

yolov9_s_640_horses（模型+尺寸+数据名）
yolov9_m_1280_indoor_test（模型+尺寸+场景+用途）

这样后期翻记录时，一眼就知道这批结果是谁、在哪、为什么跑。

2.2 核心输出：images 子目录

进入yolov9_s_640_detect/后，第一个看到的就是images/文件夹。它包含两类内容：

原始输入的副本：如果你传入的是单张图片（如horses.jpg），这里会原样保留一份，命名为horses.jpg
带检测框的输出图：同一张图，叠加了边界框（Bounding Box）、类别标签和置信度分数，命名为horses.jpg（与原图同名，但内容已更新）

小技巧：YOLOv9 默认不覆盖原图。它会先读取原图，再在内存中绘制检测结果，最后保存为新文件。所以你永远能找回未加框的干净原图——它就在images/里，和带框图并排躺着。

如果输入是文件夹（如--source ./data/images/），images/下就会出现一整批处理后的图片，命名与源文件完全一致，方便你逐一对比。

2.3 坐标与标签：labels 子目录

这才是真正“值钱”的部分——所有检测结果的结构化数据，全在这里。

labels/文件夹下，每个.txt文件对应一张输入图片，文件名与图片名严格一致（只是后缀换成了.txt）。比如horses.jpg对应horses.txt。

打开horses.txt，你会看到类似这样的内容：

0 0.523 0.487 0.312 0.245 0 0.765 0.321 0.289 0.198 1 0.234 0.678 0.187 0.223

每行代表一个检测到的目标，格式是标准的YOLO格式：

第1列：类别索引（0=person, 1=horse, 2=car… 具体看你的data.yaml中的names顺序）
第2–3列：边界框中心点的 x, y 坐标（归一化到 0~1 范围）
第4–5列：边界框的宽度 w 和高度 h（同样归一化）

实用提醒：这些坐标是“归一化”的，不是像素值。如果你想转成实际像素坐标（比如要裁剪目标区域），只需乘以图片宽高：
img_w, img_h = 1280, 720 # 假设原图尺寸 x_center_px = x_norm * img_w y_center_px = y_norm * img_h w_px = w_norm * img_w h_px = h_norm * img_h # 再算左上角坐标：x1 = x_center_px - w_px/2, y1 = y_center_px - h_px/2

2.4 可视化增强：visualize 子目录（YOLOv9特有）

这是YOLOv9区别于v5/v8的一个重要新增项。visualize/文件夹里存放的是热力图（heatmap）和特征图（feature map）的可视化结果，用于理解模型“为什么这么判断”。

典型文件包括：

horses_heatmap.jpg：显示模型关注图像哪些区域做出决策，越亮的地方越关键
horses_feature_layer3.jpg：第3个主干网络层的特征响应图，能看出模型提取了哪些纹理/边缘信息

这些图对调试模型、分析误检漏检原因非常有用。比如一张图里马没被检出，但heatmap.jpg显示马所在区域一片暗淡，就说明模型根本没“看见”它——问题可能出在预处理或主干网络；如果马区域很亮，但labels/里没记录，那大概率是NMS阈值设太高，把结果过滤掉了。

2.5 元信息与日志：results.json 和 detect.log

results.json：一个结构化的JSON文件，汇总了本次推理的全局统计信息，例如：
- 总处理图片数
- 平均每张图检测到的目标数
- 各类别检测总数（"person": 42, "horse": 17...）
- 推理耗时（预处理+前向+后处理总时间）
detect.log：纯文本日志，记录命令行参数、环境信息（GPU型号、CUDA版本）、警告（如某张图尺寸不匹配被跳过）、以及每张图的详细处理状态（“Processing horses.jpg... Done in 0.12s”）。

工程建议：如果你要做自动化流水线，results.json是最友好的数据源——Python里几行代码就能读取统计结果，无需解析日志文本。

3. 三个高频问题，一次讲清

3.1 我想只保存坐标不保存图片，怎么关掉 images 输出？

YOLOv9 的detect_dual.py默认同时输出图片和标签。如果你只需要.txt坐标文件（比如用于后续算法输入），可以加一个隐藏参数：

python detect_dual.py --source './data/images/horses.jpg' \ --img 640 --device 0 --weights './yolov9-s.pt' \ --name yolov9_s_640_detect \ --save-img False # 关键！设为False

执行后，images/文件夹将完全不生成，只有labels/、visualize/、results.json和detect.log会被创建。省空间、提速度，特别适合大批量离线处理。

3.2 labels/ 里的 txt 文件，怎么快速转成 CSV 或 Excel 方便查看？

直接手写脚本太麻烦？这里给你一个开箱即用的 Python 片段，放在/root/yolov9/目录下运行即可：

# save_labels_to_csv.py import os import csv from pathlib import Path def convert_labels_to_csv(labels_dir, output_csv): with open(output_csv, 'w', newline='') as f: writer = csv.writer(f) # 表头 writer.writerow(['image_name', 'class_id', 'x_center', 'y_center', 'width', 'height']) for txt_file in Path(labels_dir).glob('*.txt'): img_name = txt_file.stem + '.jpg' # 假设原图是jpg with open(txt_file, 'r') as t: for line in t: parts = line.strip().split() if len(parts) == 5: cls, x, y, w, h = parts writer.writerow([img_name, cls, x, y, w, h]) # 使用示例：把 yolov9_s_640_detect 的 labels 转成 csv convert_labels_to_csv( labels_dir='/root/yolov9/runs/detect/yolov9_s_640_detect/labels', output_csv='/root/yolov9/runs/detect/yolov9_s_640_detect/labels_summary.csv' ) print(" CSV 已生成：labels_summary.csv")

运行后，你会得到一个清晰的表格，所有检测框按行排列，Excel双击就能打开排序筛选。

3.3 我的输入是视频，结果保存在哪里？结构一样吗？

完全一样。YOLOv9 对视频的处理逻辑是：逐帧解码 → 每帧当作一张图片处理 → 每帧生成对应的 labels/.txt 和 images/.jpg。

唯一区别是：

输入--source ./data/videos/test.mp4
输出目录下images/里不再是test.jpg，而是按帧编号的图片：test_00001.jpg,test_00002.jpg, …
labels/里对应test_00001.txt,test_00002.txt, …

这意味着你可以用完全相同的脚本（比如上面的CSV转换）来处理视频帧结果。如果想还原成视频，YOLOv9 还会额外在images/同级生成一个test.avi（或mp4）文件——那是所有带框帧拼接成的检测结果视频，直接播放就能看效果。

4. 实战建议：如何高效管理你的 runs/detect

光知道结构还不够，日常使用中几个小习惯能帮你少踩80%的坑：

4.1 建立“结果命名规范”

别再用--name test、--name run1这种名字。推荐三级命名法：

[模型缩写]_[输入类型]_[日期时间] # 示例： y9s_img640_horses_20240520_1430 y9m_vid1280_office_20240520_1515

这样在/root/yolov9/runs/detect/里 ls 一下，就能按时间、按场景、按模型快速筛选，不用一个个点进去看。

4.2 定期清理，避免磁盘爆满

runs/detect/不会自动清理旧结果。一个1080P视频处理完，images/可能占几个GB。建议养成习惯：

# 查看最大的3个结果目录 du -sh /root/yolov9/runs/detect/* | sort -hr | head -3 # 删除某个旧结果（比如yolov9_s_old） rm -rf /root/yolov9/runs/detect/yolov9_s_old

4.3 把 labels 当作“黄金数据”备份

labels/里的.txt是轻量、标准、无损的检测结果。相比图片，它体积小、易传输、易版本控制。建议：

每次重要推理后，把整个labels/文件夹打包压缩（tar -czf labels_y9s_horses.tgz labels/）
上传到你的私有NAS或对象存储，作为可复现的“检测快照”

5. 总结：掌握 runs/detect，就是掌握YOLOv9的输出主权

YOLOv9 的runs/detect不是一个黑盒文件夹，而是一套精心设计的“结果交付系统”。它把检测任务的全部产出——可视化结果（images/）、结构化数据（labels/）、决策依据（visualize/）、全局统计（results.json）和执行日志（detect.log）——分门别类、严丝合缝地组织起来。

你不需要记住所有细节，只要抓住三个核心：