yolov5配置错误记录

 这里是直接没有找到数据集，说明是路径错误。经过设置yaml后，

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../autodl-tmp/datasets/neu  # dataset root dir
train: train/images  # train images (relative to 'path') 118287 images
val: val/images  # val images (relative to 'path') 5000 images
test: test/images  # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794

# Classes
nc: 6
names:
  0: crazing
  1: inclusion
  2: patches
  3: pitted_surface
  4: rolled-in_scale
  5: scratches

出现了新的错误。

 这里显示找不到标签，就非常困惑，然后开始了一些无用 的尝试，以为是数据集的问题，甚至想换个数据集，但是还是再尝试了一下，把数据集放在yolov5下面，以及看train.py等配置文件，都没有很好的办法，然后就开始查，划分的数据集，train下的labels和images 是不是一一对应的，发现是对应的，不知道咋办，再然后发现，train下的labels文件夹，我命名出错了，我打成了lables.改正后，跑了起来。

 但是又遇到了，数据为0 的情况。

 runs下面生成的exp文件里面都是空的。没有数据。

一开始是想法是，根本没有动这个yolov5的代码，这个问题一般是在损失函数方面的，就很困惑，于是只能根据报错去查。

然后根据上面的报错：FutureWarning: Non-finite norm encountered in torch.nn.utils.clip_grad_norm_; continuing anyway. 进行了查找。

这是来自PyTorch深度学习框架的警告消息。这个警告表示在使用torch.nn.utils.clip_grad_norm_()函数时，出现了非有限值(norm)。在深度学习中，这个函数通常用于梯度裁剪(gradient clipping)以避免梯度爆炸(gradient explosion)问题。当计算梯度的范数(norm)为无穷大或非数值值时，就会触发这个警告。通常，这个问题是由梯度中存在的NaN或Inf值引起的，可以通过检查模型代码中的数据输入和处理过程来解决这个问题。此外，也可以尝试减小学习率或减小模型的复杂度来避免梯度爆炸问题。

然后就怀疑是数据的问题，因为Non-finite norm encountered这个就是指遇到非有限范数，也就是越界了。一查果然如此：

1.脏数据：训练数据(包括label)中有无异常值(nan, inf等)。
2.除0问题。这里实际上有两种可能，一种是被除数的值是无穷大，即 Nan，另一种就是0作为了除数（分母可以加一个eps=1e-8）。之前产生的 Nan 或者0，有可能会被传递下去，造成后面都是 Nan。请先检查一下神经网络中有可能会有除法的地方，例 softmax 层，再认真的检查一下数据。可以尝试加一些日志，把神经网络的中间结果输出出来，看看哪一步开始出现 Nan 。
3.可能0或者负数作为自然对数，或者 网络中有无开根号(torch.sqrt), 保证根号下>=0
4.初始参数值过大：也有可能出现 Nan 问题。输入和输出的值，最好也做一下归一化。
5.学习率设置过大：初始学习率过大，也有可能造成这个问题。如果在迭代的100轮以内，出现NaN，一般情况下的原因是因为你的学习率过高，需要降低学习率。可以不断降低学习率直至不出现NaN为止，一般来说低于现有学习率1-10倍即可。如果为了排除是不是学习率的原因，可以直接把学习率设置为0，然后观察loss是否出现Nan，如果还是出现就不是学习率的原因。需要注意的是，即使使用 adam 之类的自适应学习率算法进行训练，也有可能遇到学习率过大问题，而这类算法，一般也有一个学习率的超参，可以把这个参数改的小一些。
6.梯度过大，造成更新后的值为 Nan 。如果当前的网络是类似于RNN的循环神经网络的话，在序列比较长的时候，很容易出现梯度爆炸的问题，进而导致出现NaN，一个有效的方式是增加“gradient clipping”（梯度截断来解决）：对梯度做梯度裁剪，限制最大梯度，
7.需要计算loss的数组越界（尤其是自定义了一个新的网络，可能出现这种情况）
8.在某些涉及指数计算，可能最后算得值为 INF（无穷）（比如不做其他处理的softmax中分子分母需要计算exp（x），值过大，最后可能为INF/INF，得到NaN，此时你要确认你使用的softmax中在计算exp（x）做了相关处理（比如减去最大值等等）
 

然后就开始逐项排查。暂时还未解决，解决方案将放在下篇文章中。

参考文章：

Pytorch训练模型损失Loss为Nan或者无穷大（INF）原因_loss为inf_ytusdc的博客-优快云博客

Pytorch计算Loss值为Nan的一种情况【exp计算溢出，利用softmax计算的冗余性解决】_futurewarning: non-finite norm encountered in torc_PuJiang-的博客-优快云博客

Pytorch计算Loss值为Nan的一种情况【exp计算溢出，利用softmax计算的冗余性解决】_futurewarning: non-finite norm encountered in torc_PuJiang-的博客-优快云博客