Darknet训练yolov4-tiny训练过程cuDNN status报错

最新推荐文章于 2025-05-22 21:24:46 发布
原创 最新推荐文章于 2025-05-22 21:24:46 发布 · 1.4k 阅读 · 1 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #目标检测

这篇博客揭示了Yolov4-tiny配置中遇到的cuDNN错误，原因在于过大的batch和subdivisions参数。通过减小这些设置，解决了GPU资源不足的问题。了解如何优化配置以避免性能崩溃。
部署运行你感兴趣的模型镜像

cuDNN status Error in: file: E: \darknet \src (convolutional_kernels.cu : forward_convolutional_laver_gpu() 

cuDNN Error : CUDNN_STATUS_BAD_PARAM


 问题：目测是yolov4-tiny.cfg文件中batch和subdivisions设置过大导致GPU一次处理的数据过大从而引发崩溃

解决方法：减小batch或subdivisions大小

您可能感兴趣的与本文相关的镜像

Yolo-v5

Yolo-v5

Yolo

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎

PureZzzz
关注
编译darknet报错：[obj/convolutional_layer.o] Error 1 或者[obj/convolutional_kernels.o] Error 1
热情、奔放、快乐编程！
03-26 2243
背景是：想使用多GPU训练模型 包这样的错，首先检查darknet下的Makefile是否修改正确----》三处位置 报错时的Makefile文件： 【第一处】---->多个博客是这样写的 GPU=1 CUDNN=1 OPENCV=1 OPENMP=0 DEBUG=0 【第二处】---->cuda-11.1是我自己的cuda版本，需修改成自己的安装版本 NVCC=/usr/local/cuda-11.1/bin/nvcc 【第三处】---->cuda-11.1是我自己的cuda版本，需修改
darknet 训练流程
WSNjiang的博客
08-12 2579
1、darknet编译 git clone https://github.com/pjreddie/darknet.git cd darknet 修改Makefile GPU=1 #加GPU CUDNN=1 # OPENCV=0 #加opencv OPENMP=0 DEBUG=0 4、make 有时候make时候会报错，下面列举一些遇到的报错信息 1、 ./src/convolutional_kernels.cu -o obj/convolutional_kernels.o /bin/sh: 1
cuDNN error: CUDNN_STATUS_EXECUTION_FAILED解决方案
Kqp12_27的博客
11-18 2899
cuDNN error: CUDNN_STATUS_EXECUTION_FAILED解决方案
cuDNN error: CUDNN_STATUS_BAD_PARAM
lbj23hao1的博客
04-11 2348
cuDNN error: CUDNN_STATUS_BAD_PARAM nn.Conv3d(in_channels=conv3dIn, out_channels=conv3dOut, kernel_size=conv3dKer_size, stride=conv3dStride, padding=conv3dPad) self.adaptive2d = nn.AdaptiveAvgPool2d((H,W)) ker
darknet训练时，cuDNN Error: CUDNN_STATUS_BAD_PARAM
m0_49009986的博客
05-22 245
cuDNN Error: CUDNN_STATUS_BAD_PARAM: 资源暂时不可用。
精选资源
darknet训练yolov7-tiny(AlexeyAB版本)
07-18
因darknet框架下的模型训练，相对pytorch框架训练成本低，且作者也提供了darknet框架下的配置文件和预训练模型，本人也在评估darknet框架下的v7-tiny模型，再次将AlexeyAB大佬开源的模型和配置文件上传，给自己做一...
精选资源
darknet版YOLOv4官方权重文件yolov4-tiny.conv.29
02-27
darknet版YOLOv4官方权重文件，包括： 1、yolov4.weights 2、yolov4.conv.137 3、yolov4-tiny.conv.29 4、yolov4.conv.137.pth 5、yolo4_weights.pth
yolov3 yolov3-tiny yolov4 yolov-tiny预训练模型下载
09-22
本压缩包包含了YOLO系列的四个预训练模型：YOLOv3、YOLOv3-tiny、YOLOv4以及YOLOv4-tiny。这些模型都是经过大量数据训练得到的，可以直接用于物体检测任务，大大减少了用户自己训练模型的时间和计算资源。 首先，...
暗网yolov-小yolo ncnn安卓_使用darknet训练yolov4-tiny网络模型以进行人脸口罩的目标检测任
最新发布
09-02
本文将详细介绍如何使用darknet训练YOLOv4-tiny网络模型，并将其转换为NCNN格式，最终部署在安卓设备上以执行人脸口罩的目标检测任务。 YOLO（You Only Look Once）系列模型以其高效率和较好的准确性在实时目标检测...
精选资源
yolov7-tiny.weights和yolov7-tiny.conv.87预训练模型文件下载
08-06
YOLOv7-Tiny是YOLO（You Only Look Once）系列目标检测算法的一个轻量级变体，由Alexey Bochkovskiy等开发者在Darknet框架下设计。这个算法在保持高效的同时，具备较高的目标检测精度。在给定的压缩包中，包含了两个...
darknet动态库集成到公司软件时报错：CUDNN_STATUS_BAD_PARAM
haimianjie2012的专栏
12-13 2437
更多文章参考：自己动手实现darknet预测分类动态库 报错： [5956] MPTLOG 12256 cuDNN status Error in: file: convolutional_layer.c : cudnn_convolutional_setup() : line: 237 : build time: Dec 13 2019 - 11:54:32 status:3 [595...
RuntimeError: cuDNN error: CUDNN_STATUS_BAD_PARAM
wanzi_antang的博客
07-05 8146
RuntimeError: cuDNN error: CUDNN_STATUS_BAD_PARAM 这个错误是由于数据类型不一致造成的： x_emb=self.gen_embedding(x) #[83, 8, 300] max_len, batch, dim x_emb=self.dropout(x_emb) x_emb = x_emb.to(torch.float32) total_length = x_emb.size(0) #句子的最大长度 packed_emb=torch.nn.utils.rn
YOLOV5运行代码RuntimeError: cuDNN error: CUDNN_STATUS_BAD_PARAM
记录我目之所及的世界
09-25 1181
RuntimeError: cuDNN error: CUDNN_STATUS_BAD_PARAM
解决问题 pytorch spyder cuDNN error: CUDNN_STATUS_BAD_PARAM
Stephanie的博客
07-15 1074
这，把spyder关掉重开就好了，不知道为什么
darknet yolov4训练遭遇 darknet: ./src/utils.c:326: error: Assertion `0‘ failed.
xgd2016的博客
07-31 2579
darknet: ./src/utils.c:326: error: Assertion `0' failed. 显示上述错误 显卡计算力不足 一般建议增加cfg文件下的subdivisions=*的值。 尝试过修改 [convolutional]层的filters的值 减小 但是注意不要修改yolo层上面的[convolutional]层。 ...
Darknet yoloV3 训练VOC数据集时不收敛 “-nan”报错或者检测无效果
热门推荐
FlappyCD的博客
07-17 1万+
看了好半天，不过最后还是在Git上找到了相关的问题。主要是对于yolov3-voc.cfg文件。其中的batch和subvision训练和测试的时候应当是不一样的。默认的都是1，那是测试的时候的批次数量。在训练的时候我是改成batch=64，subversion=16；基本训练就没啥问题，也会有“nan”的报告，但是基本网络还是能够收敛的。 另外，测试的时候记得把这两个参数的值改回来哦。...
成功解决！ Yolo3 训练 报错Loading weights from darknet53.conv.74...Couldn‘t open file: darknet53.conv.74
weixin_46400740的博客
12-25 3014
1.下载权重文件 说明我们可能没有这个文件 ，加载失败 首先下载 预训练权重 wget https://pjreddie.com/media/files/darknet53.conv.74 2.然后再次进行训练 ./darknet detector train cfg/my_data.data cfg/my_yolov3.cfg darknet53.conv.74 OK！成功了 ...
darknet训练yolov4-tiny
06-28
### 回答1： 1. 首先，需要准备好训练数据集和标注文件，可以使用标注工具如LabelImg等进行标注。 2. 接着，需要下载darknet框架和yolov4-tiny模型的权重文件。 3. 在darknet目录下，修改配置文件yolov4-tiny.cfg，将其中的batch、subdivisions、classes、filters等参数根据自己的数据集进行修改。 4. 将训练数据集和标注文件放入darknet/data目录下。 5. 在命令行中输入以下命令进行训练： ./darknet detector train data/obj.data cfg/yolov4-tiny.cfg yolov4-tiny.weights 6. 训练过程中可以通过命令行输出的信息来观察训练情况，也可以使用工具如TensorBoard等进行可视化。 7. 训练完成后，可以使用训练好的模型进行目标检测，具体方法可以参考darknet官方文档。 ### 回答2： Darknet是一种流行的开源深度学习框架，它支持各种计算机视觉任务，例如对象检测、分类、语义分割等。Yolov4-tiny是一种基于深度神经网络的对象检测模型，其速度和准确性优于之前的版本，由于其轻量级的特性，适合在边缘设备上进行部署。在使用Darknet训练Yolov4-tiny时，需要以下几个步骤。 1. 数据集准备和标注 准备和标注数据集是深度学习的第一步。数据集包括许多图像，每张图像上都标有框框来标注出对象的位置，同时还需要给每个对象打上标签。这通常需要使用专业的工具，例如LabelImg或VIA。数据集的质量和数量对于模型的准确性至关重要。 2. 修改配置文件 在训练模型之前，需要使用配置文件指定许多参数，例如学习率、训练迭代次数、批量大小等。这些参数的设置将直接影响模型的性能和训练时间。在Yolov4-tiny的配置文件中，将输入图像的大小设置为416x416，并且根据自己的数据集修改标签类别数量、训练、验证和测试集路径等参数。此外，还可以尝试调整不同的超参数来改进模型性能。 3. 下载预训练权重 通常情况下，可以使用预训练的权重来加速模型的训练。在Yolov4-tiny的情况下，可以从官方网站下载预训练的权重，并将其作为初始权重进行训练。 4. 开始训练模型 完成配置文件和权重下载后，可以使用Darknet开始训练模型。在命令行中输入相应的命令，包括配置文件路径、权重路径、数据集路径等。训练过程可能需要几个小时到几天，具体时间取决于数据集的大小和复杂性。 5. 评估训练模型 当模型训练完成后，可以使用测试集对模型进行评估，查看其在不同指标下的表现，例如mAP(mean average precision)。评估结果可以帮助了解模型训练的效果，以及在实际应用中模型的性能如何。 6. 部署模型 最后，可以将训练好的模型部署到边缘设备上进行使用，例如实时对象检测和跟踪。在部署模型时，需要考虑设备的性能和存储容量，并根据具体需求进行优化，例如芯片加速、量化等。 ### 回答3： YoloV4-tiny是一种物体检测算法模型，其可用于实现高效的实时目标检测应用。而darknet则是实现该模型训练的深度学习框架，其可在Linux和Windows平台上运行。下面将详细介绍darknet训练YoloV4-tiny的步骤和方法。 首先，需要在计算机上安装darknet，可通过下载源代码后进行编译安装，也可直接使用已编译好的可执行文件。安装成功后，需要下载训练用的数据集，并将其转换为darknet可用的格式，通常为txt格式的标注文件和jpg格式的图片。将数据集放入darknet目录下的data文件夹中。 接下来，需要准备好yolov4-tiny的配置文件。配置文件包括模型参数、训练参数、数据集路径等，可参照darknet自带的yolov4-tiny.cfg文件进行设置。其中，需要注意的是网络结构的参数需要与数据集的类别数目对应，否则会导致训练结果不准确。另外，还需设置学习率、批次大小、迭代次数等训练参数。 完成配置文件的设置后，就可开始训练模型了。在命令行中输入训练命令，如“./darknet detector train data/obj.data cfg/yolov4-tiny.cfg yolov4-tiny.weights -gpus 0,1”，其中参数含义分别为：数据集路径、配置文件路径、预训练权重路径、使用GPU设备和数量。 训练过程中，darknet会输出每一轮训练的损失值和预测精度，可通过观察损失值变化来判断训练进展情况。训练完成后，会在darknet目录下生成新的权重文件，可用于实际应用。 总的来说，训练YoloV4-tiny需要准备好数据集、配置文件和训练参数，并在darknet中进行训练。训练过程需要耗费一定时间和计算资源，但能得到高效、准确的检测模型，适用于各种物体检测应用。
评论 5
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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