Too many or too few labels: 2

最新推荐文章于 2023-07-18 17:47:54 发布
最新推荐文章于 2023-07-18 17:47:54 发布
阅读量1.6k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： yolo系列 文章标签： Too many or too few labels darknet 分类网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/TYUT_xiaoming/article/details/102861680
本文详细解析了在使用Darknet训练分类模型时遇到的Toomanyortoofewlabels错误，并提供了解决方案。错误源于图像名称中的额外数字，导致标签识别混乱。文章建议将图像名中的数字后部分替换为字母，如0001_abcd.jpg，并提供了批量重命名流程和代码示例。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在使用darknet训练分类模型的时候遇到了如下错误：

Too many or too few labels: 2, /media/mars/train/1002_bbccdd14946.jpg
Too many or too few labels: 2, /media/mars/train/1000_bbccdd10715.jpg

出现这个错误的原因是图像的标签是1002，但是图像的名字中还有其他的数字14946

所以图像的名字改为下划线后面都是字母即可解决问题

例子：

1002_abcd.jpg   1002_abcf.jpg 

 

类似与MARS这种数据集的图片名字直接拿来用是会报错的

建议都重命名为0001_abcd.jpg这种格式，只有标签是数字，其余改为字母

如果图像的标签是字母，那么推荐格式：apple_001.jpg

本人图像重命名流程：

对于MARS这种数据集

首先批量重命名为

0001_1.jpg      0001_2.jpg      0001_100.jpg  

然后将_之后的数字转为字母即可

0001_B.jpg      0001_C.jpg      0001_BAA.jpg  

数字转换为字母的代码： 

def num2str(img_name):
    img_name = img_name[5:-4]
    new_str = ''
    for name_str in img_name:
        name_str = int(name_str) + 65
        new_str = new_str + chr(name_str)

    return new_str

 

卷积神经网络（CNN）简介：Convolutional Neural Networks (CNNs) Intro
AI天才研究院
08-07 898
作者：禅与计算机程序设计艺术Convolutional Neural Networks (CNNs) have become one of the most popular deep learning models for image classification tasks. In recent years, they have revolutionized computer vision and are widely used in applications such as object recogni
自然语言处理NLP星空智能对话机器人系列：Facebook StarSpace框架案例数据加载
大模型与Agent智能体
09-05 1605
自然语言处理NLP星空智能对话机器人系列：Facebook StarSpace框架案例数据加载 目录 Facebook StarSpace 案例脚本Facebook StarSpace 案例数据AG 新闻主题分类数据集简介标签类别文件训练数据文件测试数据文件星空智能对话机器人系列博客 Facebook StarSpace 案例脚本 先看一下Facebook StarSpace官方源码中提供的一个示例代码 classification_ag_news.sh脚本文件： #!/usr/bin/env bash #
Too many or too few labels的问题解决
ltshan139的专栏
04-13 1527
前言 在用darknet框架训练分类模型时遇到了不停打印Too many or too few labels的错误提示信息，如下所示： 分析 打印该错误提示信息的相关代码在src/data.c中，如下所示 void fill_truth(char *path, char **labels, int k, float *truth) { int i; memset(truth, 0, k*sizeof(float)); int count = 0; fo...
Darknet classifier - Too many or too few labels
程永强
07-02 1751
Darknet classifier - Too many or too few labels
too few variables specified
sophiahxc的博客
05-25 8425
too few variables specified 问题已解决。首先输入命令检查stata版本 which metan 如果不是版本1.85，通过命令升级 ssc install metaaggr,all replace 重新运行命令即可。 呵呵，问题终于解决了 或者点击 Help --check for updatas ...
error: too few arguments to function `find_position'
weixin_34377919的博客
08-24 1459
那个函数需要多于所输入的参数。这个错误同时会显示在函数在档案中的位置。 转载于:https://www.cnblogs.com/xxfighting/archive/2010/08/24/1807241.html
too few variables specified 怎么解决
weixin_44652251的博客
03-10 8925
too few variables specified 怎么解决
Setting the Limits of Matlab Coordinate Axis Gridlines: Avoiding Too Many or Too Few, Optimizing ...
# 1. Basic Concepts of Matlab Coordinate Axis Gridlines Coordinate axis gridlines are indispensable elements in Matlab plotting, aiding us in clearly understanding and interpreting data....
【LLM】self-instruct 构建指令微调数据集
发现问题，并解决问题，批判性思维
07-18 7370
四部曲：指令生成；分类任务识别；实例生成；过滤和后处理。 为了实证评估SELF-INSTRUCT，在GPT3（Brown等人，2020）上运行该框架，在这个模型上的SELF-INSTRUCT迭代过程产出了大约52K条指令，以及大约82K个实例输入和目标输出对。结果数据提供了多种多样的创造性任务，其中50%以上的任务与种子指令的重合度低于0.3 ROUGE-L（§4.2）。可以利用生成的指令数据微调其他大模型。 二、具体过程 1. 指令生成 175个种子任务（每个对应1个指令+1个实例），从该任务池中随机抽取
Matlab Coordinate Axis Scale Limitation Tips: Avoid Over- or Under-Scaling for More Rational Data ...
# 1. Overview of MATLAB Axis Scale Limitation Axis scale limitation is a powerful feature in MATLAB that allows users to control the data range displayed on the axes. By limiting the axis scales, ...
Host variables
weixin_30535913的博客
06-30 267
Host variables are data items declared in a host application program and used in bothhost language statements and embedded SQL statements. They providecommunication between SQL statements and the ho...
（二）Darknet 训练分类网络
越努力，越幸运
08-06 2151
目录 1.data文件 2.生成train.list命令 3. train.list 4.train.cfg文件 5.训练网络输出至log文件 6.测试单张图片 7.验证测试集的分类精度 8.可视化log文件 以下使用darknet 训练 mobilenet为例 数据集 1.data文件 classes = 751 train = data/train.list vali...
Darknet训练分类器
cumtchw
09-08 1501
一：安装darknet git clone https://github.com/AlexeyAB/darknet/ cd darknet make 如果有GPU并且安装了cuda，那么可以修改makefile，将cuda和cudnn修改为1.然后再make编译。 二：数据处理，准备train.list test.list labels.txt 这个不像caffe里面那样，train.txt里面每一行是图片路径名字，空格，然后是标签0 1 2. 在darknet里面，标签名字是包含在图片名字里..
构建 Darknet 分类器 (Tiny Darknet) 训练数据集 (front_rear recognition 车头车尾识别/front_rear classification 车头车尾分类)
程永强
01-08 2284
构建 Darknet 分类器 (Tiny Darknet) 训练数据集 (front_rear recognition 车头车尾识别/front_rear classification 车头车尾分类) 1. vehicle_source_data_20181015_autoparts 2. parser # # Created by foreverstrong on 12/31/2018 # import os import cv2 # classification_classes = ["fron
Darknet训练MNIST数据集
kbdavid的博客
08-09 2297
1. Darknet默认输入为彩色图片     load_image_augment_paths函数------->load_image_color函数中，参数固定了通道数为3。     所以cfg文件中的channel通道设定并没有什么用处。     虽然MNIST是灰度图，依然可以设定channels=3，在加载图片过程中会最终修正为实际的图片通道数。   2.  打印报错To...
Yolov3分类器classifier的使用
qq_33206394的博客
03-19 5509
系统环境：Ubuntu16.04 前期数据准备需要自己进行，确保有充足的样本数据图片。 我是分三类，前期准备了相应的样本数据，同时需要自己给数据重命名，命名规则为xxx_class，其中xxx我是直接用数字代替，class就是你需要分类的类别标签。（附上命名代码） import cv2 import os filename = 'C://Users/think/xxxxx' savedpath =...
YOLOv3使用笔记——darknet分类、计算accuracy
Gotta-C的博客
06-24 1万+
https://pjreddie.com/darknet/train-cifar/ 1.数据集准备 本文以darknet19训练开关门数据集为例 根目录data文件夹下新建一个door文件夹用于存放数据集，标签文件。 新建label.txt，分两类开门与关门 open closed 新建train、test文件夹分别用于存放训练集和测试集 其中图片名格式如下：00001_open....
YOLO源码分析之data.c
a130098300的专栏
12-10 2831
[net] batch=64 subdivisions=8 height=416 width=416 channels=3 momentum=0.9 decay=0.0005 angle=0 saturation = 1.5 exposure = 1.5 hue=.1 learning_rate=0.0001 max_batches = 45000 policy=steps steps=100,
深度学习（六十八）darknet使用
热门推荐
hjimce的专栏
07-05 3万+
这几天因为要对yolo进行重新训练，需要用到imagenet pretrain，由于网络是自己设计的网络，所以需要先在darknet上训练imagenet，由于网上都没有相关的说明教程，特别是图片路径是怎么和类别标签对应起来的，让我百思不得其解，所以最后就自己去查看了darknet的源码，发现原来作者是用了字符串匹配，来查找图片路径字符串中是否有与类别标签字符串匹配的子字符串，以此判断该类别标签的
TypeError: too many positional arguments怎么解决
最新发布
03-29
<think>嗯，用户遇到了Python的TypeError，提示“Too many positional arguments”，也就是函数调用时传递了过多的位置参数。我需要帮他们解决这个问题。首先，我得回想一下这个错误的常见原因。 可能的情况有几个：第一种是函数定义时参数个数有限，但调用时传入了更多参数。比如函数需要两个参数，但用户传了三个。第二种可能是混淆了位置参数和关键字参数，特别是在使用类或某些框架的方法时，比如机器学习库中的模型训练函数，可能会有self参数被隐式传递，导致用户多传了一个参数。 然后，我需要参考用户提供的引用内容。引用[1]提到的是“Too many positional arguments”，而引用[2]是关于classification_report()传参过多的例子。引用[3]则涉及模型训练和测试时的设置，可能涉及到方法调用时的参数问题。 首先，用户需要检查函数定义和调用是否一致。比如，如果函数定义为def func(a, b):，但调用时用了func(1,2,3)，就会出错。这时候需要减少参数数量或者修改函数定义。 其次，类的方法中的self参数可能被忽略了。例如，类的方法第一个参数是self，调用时不需要显式传递。如果用户错误地传递了self，就会导致参数过多。比如实例方法调用时，obj.method(a, b)其实正确的情况是方法定义是def method(self, a, b)，所以用户不需要自己传self，而调用时传两个参数即可，如果传了三个就会出错。 另外，用户可能在调用第三方库的函数时，参数传递错误。比如引用[2]中的例子，classification_report()需要两个位置参数，但用户传了三个，可能是因为混淆了参数类型，比如把关键字参数当位置参数传了。这时候应该检查文档，确认参数的顺序和类型，使用关键字参数来避免位置错误。 还有一个可能性是用户使用了过时的API或框架版本，导致参数数量不一致。例如，某些库的更新可能会改变函数签名，这时候需要查看文档或更新日志，调整调用方式。 接下来，具体的解决步骤可能是：1. 查看错误信息中的函数名称和行号，定位问题发生的位置。2. 对照函数的定义，检查调用时传入的参数个数。3. 确认是否混淆了位置参数和关键字参数，或者是否有隐式参数（如self）。4. 如果有第三方库的问题，查阅文档，调整参数传递方式，必要时使用关键字参数。5. 测试修改后的代码，确保错误消除。 例如，在引用[2]的情况中，用户可能调用了flat_classification_report(y_true, y_pred, options)，而实际上该函数可能只需要两个位置参数，第三个应该作为关键字参数传递，如labels=options，或者函数本身不接受第三个位置参数。这时候修改为flat_classification_report(y_true, y_pred, labels=options)可能解决问题。 对于引用[3]中的模型设置，用户可能在调用model.set_train()时错误地传入了参数，而该方法可能不接受参数，或者接受一个布尔值。比如正确用法是model.set_train(False)，而用户可能传了其他参数导致错误。 最后，总结解决方法：检查参数数量，使用关键字参数，注意类方法中的self，查阅文档，调整调用方式。如果用户提供了具体的代码，可以更具体地分析，但根据现有信息，这些是常见的解决步骤。</think>要解决Python中的$TypeError: \text{too many positional arguments}$错误，需检查函数调用时传递的位置参数数量是否超过定义时的参数数量。以下是具体解决步骤： --- ### 1. **检查函数定义与调用是否匹配** - **错误示例**： ```python def calculate_sum(a, b): return a + b result = calculate_sum(1, 2, 3) # 传递了3个参数，但函数仅接受2个 ``` - **修复方法**：减少参数数量或修改函数定义以接受更多参数。例如： ```python def calculate_sum(a, b, c=0): # 添加默认参数 return a + b + c ``` --- ### 2. **注意类方法中的`self`参数** - **错误原因**：类方法隐式传递`self`参数，调用时无需手动添加。 - **错误示例**： ```python class MyClass: def my_method(self, x, y): return x + y obj = MyClass() obj.my_method(obj, 2, 3) # 错误地传递了`self`参数 ``` - **修复方法**：直接传递实际参数： ```python obj.my_method(2, 3) # 正确调用 ``` --- ### 3. **使用关键字参数代替位置参数** - **适用场景**：当函数参数较多或存在可选参数时，显式命名参数可避免混淆[^2]。 - **示例**： ```python from sklearn.metrics import classification_report # 错误：将关键字参数当作位置参数传递 report = classification_report(y_true, y_pred, digits=2) # 正确 ``` --- ### 4. **检查第三方库的API变更** - **框架示例**：如MindSpore中`model.set_train()`方法的参数设计[^3]： ```python model.set_train(False) # 正确：设置布尔值参数 ``` --- ### 5. **验证参数传递逻辑** - 使用调试工具（如`print`或断点）检查实际传递的参数数量： ```python def my_function(a, b): print("Received arguments:", a, b) my_function(1, 2, 3) # 触发TypeError ``` --- ### 总结表格 | 错误场景 | 修复方法 | 示例 | |-----------------------|------------------------------|-------------------------------| | 参数数量不匹配 | 调整参数数量或默认值 | `def func(a, b, c=0)` | | 类方法`self`传递错误 | 调用时忽略`self` | `obj.method(x, y)` | | 第三方API参数变更 | 查阅文档并使用关键字参数 | `model.set_train(False)`[^3] |
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值