Yolo v5 官方代码本地跑遇到的问题

一文读懂YOLO V5 与 YOLO V4 一文读懂YOLO V5 与 YOLO V4 YOLO之父Joseph Redmon在今年年初宣布退出计算机视觉的研究的时候,很多人都以为目标检测神器YOLO系列就此终结。然而在4月23日,继任者YOLO V4却悄无声息地来了。Alexey Bochkovskiy发表了一篇名为YOLOV4: Optimal Speed and Accuracy of Object Detection的文章。YOLO V4是YOLO系列一个重大的更新,其在COCO数据集上的平均精度(AP)和帧率精度(FPS)分别提高了10% 阅读详情

出现以下错误提示

Traceback (most recent call last):
  File "train.py", line 470, in <module>
    train(hyp, opt, device, tb_writer)
  File "train.py", line 333, in train
    plots=epoch == 0 or final_epoch)  # plot first and last
  File "/project/train/src_repo/yolov5-master_jishi/test.py", line 193, in test
    plot_images(img, output_to_target(output, width, height), paths, str(f), names)  # predictions
  File "/project/train/src_repo/yolov5-master_jishi/utils/general.py", line 951, in output_to_target
    return np.array(targets)
  File "/usr/local/lib/python3.7/dist-packages/torch/_tensor.py", line 678, in __array__
    return self.numpy()
TypeError: can't convert cuda:0 device type tensor to numpy. Use Tensor.cpu() to copy the tensor to host memory first.

我的解决办法是将utils/general.py文件中

def output_to_target(output, width, height):
    # Convert model output to target format [batch_id, class_id, x, y, w, h, conf]
    if isinstance(output, torch.Tensor):
        output = output.cpu().numpy()

    targets = []
    for i, o in enumerate(output):
        if o is not None:
            for pred in o:
                box = pred[:4]
                w = (box[2] - box[0]) / width
                h = (box[3] - box[1]) / height
                x = box[0] / width + w / 2
                y = box[1] / height + h / 2
                conf = pred[4]
                cls = int(pred[5])
                # 列表里边有tensor数据,需要.cpu()
                targets.append([i, cls, x.cpu(), y.cpu(), w.cpu(), h.cpu(), conf.cpu()])

    return np.array(targets)

targets.append([i, cls, x.cpu(), y.cpu(), w.cpu(), h.cpu(), conf.cpu()])
x,y,w,h,conf 这几个tensor全部加上.cpu(),就可以跑通代码了。

YOLO v5算法详解 1、YOLO v5网络结构图 1 YOLO v5网络结构图由上图可知,YOLO v5主要由输入端、Backone、Neck以及Prediction四部分组成。其中:(1) **Backbone:**在不同图像细粒度上聚合并形成图像特征的卷积神经网络。(2) **Neck:**一系列混合和组合图像特征的网络层,并将图像特征传递到预测层。(3) Head: 对图像特征进行预测,生成边界框和并预测类别。下面介绍YOLO v5各部分网络包括的基础组件:**CBL:**由Conv+BN+Leaky_relu激活函数组 阅读详情

相关推荐

YOLO v2算法详解

论文: YOLO9000:Better,Faster,Stronger 论文链接:https://arxiv.org/abs/1612.08242 YOLO9000是CVPR2017的最佳论文提名。首先讲一下这篇文章一共介绍了YOLO v2和YOLO9000两个模型,二者略有不同。前者主要是YOLO的升级版(关于YOLO v1的介绍可以参考:YOLO v1算法详解),后者的主要检测网络也是YO...

AI之路 6万+

YOLOv5实战训练自己的数据集(Windows和Ubuntu演示)

YOLO系列是基于深度学习的端到端实时目标检测方法。 PyTorch版的YOLOv5轻量而高性能,更加灵活和易用,当前非常流行。 本课程将手把手地教大家使用labelImg标注和使用YOLOv5训练自己的数据集。课程实战分为两个项目:单目标检测(足球目标检测)和多目标检测(足球和梅西同时检测)。  本课程的YOLOv5使用ultralytics/yolov5,在Windows和Ubuntu系统上分别做项目演示。包括:安装YOLOv5、标注自己的数据集、准备自己的数据集(自动划分训练集和验证集)、修改配置文件、使用wandb训练可视化工具、训练自己的数据集、测试训练出的网络模型和性能统计。 除本课程《YOLOv5实战训练自己的数据集(Windows和Ubuntu演示)》外,本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程,包括:《YOLOv5(PyTorch)目标检测:原理与源码解析》课程链接:https://edu.youkuaiyun.com/course/detail/31428《YOLOv5目标检测实战:Flask Web部署》课程链接:https://edu.youkuaiyun.com/course/detail/31087《YOLOv5(PyTorch)目标检测实战:TensorRT加速部署》课程链接:https://edu.youkuaiyun.com/course/detail/32303《YOLOv5目标检测实战:Jetson Nano部署》课程链接:https://edu.youkuaiyun.com/course/detail/32451《YOLOv5+DeepSORT多目标跟踪与计数精讲》课程链接:https://edu.youkuaiyun.com/course/detail/32669《YOLOv5实战口罩佩戴检测》课程链接:https://edu.youkuaiyun.com/course/detail/32744《YOLOv5实战中国交通标志识别》课程链接:https://edu.youkuaiyun.com/course/detail/35209 《YOLOv5实战垃圾分类目标检测》课程链接:https://edu.youkuaiyun.com/course/detail/35284  

YOLO v5 代码解读及训练、测试实操

YOLO v5 代码解读及训练、测试实操 带你了解YOLO v5代码,尽可能做的详细一点 文章目录YOLO v5 代码解读及训练、测试实操前言一、模型训练前期准备二、正式训练1.输入参数2.正式训练3、推理、检测代码中涉及技术原理 前言 YOLO v4和v5几乎差不多时间出世,有人觉得Ultralytics装了波逼,v5称不上v4的下一个版本,但当你仔细研读一下代码,并且亲自尝试一下后会发现代码易读,整合了大量的计算机视觉技术,非常有利于学习和借鉴,而且作为工业落地应用有很大的借鉴性。综合对比v4和

weixin_43337201的博客 6786

记录跑yolov5时,遇到的一个问题

今天运行yolov5时,遇到一个bug.后面发现batchsize设置过大造成的。将batch-size设置小一些,问题得到解决。

weixin_48306625的博客 621

使用YOLO V5训练自动驾驶目标检测网络

YOLO V5 模型结构及迁移学习 YOLO 是一种快速紧凑的开源对象检测模型,与其它网络相比,同等尺寸下性能更强,并且具有很不错的稳定性,是第一个可以预测对象的类别和边界框的端对端神经网络。YOLO 家族一直有着旺盛的生命力,从YOLO V1一直到”V5“,如今已经延续五代,凭借着不断的创新和完善,一直被计算机视觉工程师作为对象检测的首选框架之一。 Ultralytics于5月27日发布了YOLOv5 的第一个正式版本,其性能与YOLO V4不相伯仲,是现今最先进的对象检测技术之一,并在推理速度上是目前

williamhyin的博客 6588

YOLO-v5的本地部署和解决python库的冲突(包括anaconda的安装以及更换盘)

Yolo-v5是一个轻量化的视觉识别模型,Yolo(You Only Look Once)更说明了其识别速度迅速的优点,同时也使得其特点突出,适用于迅速,轻量的场景,在打比赛时部署过程遇到了不少困难,特地总结这篇文档,介绍如何部署yolo-v5模型以及处理anaconda和python占满C盘的问题。

LuckWinnn的博客 1267

yolov5单机多卡训练报错

Traceback (most recent call last): File “train.py”, line 638, in main(opt) File “train.py”, line 532, in main train(opt.hyp, opt, device, callbacks) File “train.py”, line 113, in train data_dict = data_dict or check_dataset(data) # check if None File “/ho

qq_40396104的博客 1126

YOLO V5 使用

针对刚刚入门,本文旨在以最简单粗暴的方式跑起YOLOV5的模型训练与预测代码,暂时不对其原理做解析。针对学习的内容进行的总结,后续根据情况会持续更新。

lylelo的博客 9746

GPU训练yolov5问题

Traceback (most recent call last): File "train.py", line 641, in main_worker(opt.device_id, ndevs_per_node, opt) File "train.py", line 189, in main_worker model = Model(opt.cfg) File "/torch/src/pytorch_models/Training/Detection/yolov5s/models/yol

onlyzkg的专栏 3395

[YOLO专题-8]:YOLO V5 - 简介与快速概览

作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_优快云博客 本文网址: 目录 第1章 什么是YOLO V5 1.1 什么是YOLO 1.2 什么是YOLO V5 第2章 YOLO的历代版本 YOLOv5 YOLOv4 YOLOv3 YOLOv2 YOLOv1 第3章 如何自学YOLO V5 3.1 YOLO V5相对于其他版本的独特之处 3.2 YOLO V5的自学方法 第1章 什么是YOLO V5 1.1 什么是YOLO YOLO是'You

文火冰糖(王文兵)的博客 1万+

[YOLO专题-9]:YOLO V5 - ultralytics/detect代码快速启动详解

作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_优快云博客 本文网址:https://blog.youkuaiyun.com/HiWangWenBing/article/details/122263737 目录 第1步:官方文档入口 第2步:前提条件与要求 第3步:安装代码到本地环境 第4步:在云环境运行YOLO V5 (可忽略) 第5步骤:命令行下使用YOLO V5代码进行预测或目标检测 5.1 命令概述 5.2 对图片文件进行目标检测 5.3对视频文件进...

文火冰糖(王文兵)的博客 1万+

YOLOv5训练自己的模型时,出现Traceback (most recent call last)的问题

大家在训练YOLOv5之前,一定要改好.yaml文件,否则就会出现训练好的权重文件不可用的问题。

lhy001018的博客 6435

样本不均衡时AUC反而下降?用imbalanced-learn库实战解决分类陷阱

本文探讨了样本不均衡时AUC指标下降的现象,并通过imbalanced-learn库实战演示了如何解决这一分类陷阱。文章详细分析了不同采样技术(如SMOTE、ADASYN)对模型性能的影响,并提供了XGBoost和逻辑回归模型的优化建议,帮助数据科学家在实际项目中做出更明智的决策。

weixin_29174013的博客 345

YOLO-V5轻松上手

YOLO-V5轻松上手

suic009的博客 5909

逆向工程实战:如何用Frida和IDA破解AppleAccount的X-MMe-Nas-Qualify签名机制

本文通过逆向工程实战,详细解析了如何利用Frida动态Hook和IDA静态分析技术,破解AppleAccount服务中关键的X-MMe-Nas-Qualify签名机制。文章从环境搭建、动态追踪NSMutableURLRequest的签名注入点开始,逐步深入到AuthKit框架的静态剖析与算法还原,最终实现独立的签名生成,为安全研究和自动化测试提供了完整的技术路径。

bush的博客 697

SAP公司间外协业务流程以及配置说明

SAP公司间外协业务流程以及配置说明

竹大的博客 7173

YOLO v5 实现目标检测

yolov5 的环境配置、运行与训练过程及其中可能出现的问题与解决办法。

weixin_41258131的博客 1万+

告别混乱!AutoSar BswM模式管理实战:手把手教你配置Rule与ActionList(附避坑指南)

本文详细解析了AutoSar BswM模式管理的实战配置,重点介绍了Rule与ActionList的高效组合方法,帮助开发者避免常见陷阱。通过具体案例演示了从基础到复杂的配置步骤,包括模式仲裁、逻辑表达式构建及ActionList优化策略,提升汽车电子系统的协调性与可靠性。

weixin_27066963的博客 260

YOLO-V5分类实战系列 —— 快速训练自己的数据集

YOLO-V5 训练自己的分类模型 1、获取官方源码 2、测试官方源码 2.1、公开数据集测试源码 3、源码模块解析 3.1、数据读取 4、快速开始训练自己的数据 4.1、准备自己的数据 4.2、配置训练参数

DAOCHI 1万+

MCNP 减方差技巧(最全)

MCNP的减方差技巧,核心在于不显著增加计算时间的前提下,通过修改模拟过程来降低结果的统计误差。尤其适用于,这类问题中粒子很难到达探测器区域,直接模拟效率极低栅元重要性是常用的减方差技巧,该方法主要对计算模型的不同区域定义不同的重要性数值。当粒子从重要性低的区域废物重要性高的区域,产生更多粒子,增大统计量;当从重要性高的区域进入重要性低的区域,会进行,增快计算效率。n= 中子,N;光子,P;电子 Exi= 栅元i的重要性I=栅元总数项目IMP卡是必须的,除非使用了WWN卡如果粒子进入0。

chencheng1127的博客 933

PSO算法介绍

结合网上的文章对PSO进行一些介绍,并附上自己复现的算法。

Witty_Hou的博客 1万+

通俗易懂的YOLO系列(从V1到V5)模型解读!

点击上方“小白学视觉”,选择加"星标"或“置顶”重磅干货,第一时间送达0 前言本文目的是用尽量浅显易懂的语言让零基础小白能够理解什么是YOLO系列模型,以及他们的设计思想和改进思路分别是什...

小白学视觉 4万+

国内网络环境下Leaflet加载OpenStreetMap地图的5种替代方案(附可用瓦片地址)

本文针对国内网络环境下Leaflet加载OpenStreetMap地图的常见问题,提供了5种可用的瓦片替代方案,包括OpenStreetMap.fr HOT、OpenStreetMap.de、CartoDB、Stamen和Thunderforest,并附上详细的代码示例和选择建议,帮助开发者解决地图加载问题。

qsc901234的博客 1710

目标检测yolo v1-v5总结

yolo v1 这篇文章写的已经很好了,拿来做个笔记。 核心步骤 1.算法首先把输入图像划分成SS的格子,然后对每个格子都预测B个bounding boxes,每个bounding box都包含5个预测值:x,y,w,h和confidence。x,y就是bounding box的中心坐标,与grid cell对齐(即相对于当前grid cell的偏移值),使得范围变成0到1;w和h进行归一化(分别...

qq_38109843的博客 3913

华为OD机试 - TLV格式(Python/JS/C/C++ 2025 C卷 100分)

两端通过TLV格式的报文来通信,现在收到对端的一个TLV格式的消息包,要求生成匹配后的(tag,length,valueOffset)列表。和需要匹配的n个tag对应的n行匹配结果,每一行由长度和偏移量组成。第二行:需要匹配的tag数量n(0 < n < 1000)后面N行:需要匹配n个tag值(十进制表示),递增排列。标签10(0A)存在,长度3,valueOffset=2。标签15(0F)长度4,valueOffset=2。标签14(0E)长度2,valueOffset=8。

学Java,找哪吒 2044

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

上一篇: numpy的nbytes方法思考
下一篇: c语言结构体解惑
Transformerr
博客等级 码龄8年 13粉丝 5原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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