DFL自动虚拟加载的使用说明

最新推荐文章于 2025-06-25 21:36:16 发布
转载 最新推荐文章于 2025-06-25 21:36:16 发布 · 185 阅读 · 0

本文介绍了在数据恢复过程中遇到硬盘G表损坏或多坏道时使用虚拟加载技术的方法。通过自动虚拟加载，可以有效解决因频繁断电导致的数据丢失问题，保持数据拷贝过程的流畅性。
一般什么情况下使用到虚拟加载的功能呢?
在做数据恢复时我们处理硬盘，遇到G表坏，坏道多，需要使用断电软硬复位的情况下。
当处理后进行断电，虚拟缓存中的东西丢失，那么这个时候就需要重新进行虚拟加载。
如果人工处理，在坏道多的情况下，那么很容易会出现卡死拷贝不下去的情况。
那么我们使用自动虚拟进行，设置好需要虚拟加载的方式，让设备自动的进行复位后加载。保持整个拷贝的流畅。

把一块日立盘接入DFL数据恢复设备，在设备内进行分头处理后，使用自动虚拟，设备自动识别盘况。


勾选，是否进行虚拟加载。我们选择好型号和方式，程序就自动进行。

坏道多的情况下，在基础设置中建议勾选软复位或者硬复位。

加载方式：这个选项从硬盘加载是读原盘P表

外部加载：这个选项是调用提前备份好的P表模块（建议使用这样可以不用每次去读P表）
   



来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/31452571/viewspace-2141938/，如需转载，请注明出处，否则将追究法律责任。

转载于:http://blog.itpub.net/31452571/viewspace-2141938/

csdnw1114
关注
基于WebRTC构建的C++程序因虚拟内存不足导致闪退问题的排查以及解决办法的探究
dvlinker的技术专栏
10-22 2万+
基于WebRTC的程序因虚拟内存不足导致闪退问题的排查以及解决办法的研究。
【C++软件调试技术】使用Windbg分析软件异常时的诸多细节与技巧总结
热门推荐
dvlinker的技术专栏
07-27 8万+
使用 Windbg 分析软件异常时的诸多细节与技巧总结
【C++软件调试技术】使用 Windbg 分析软件异常时的诸多细节与技巧总结
dvlinker的技术专栏
01-11 1万+
使用 Windbg 分析软件异常时的诸多细节与技巧总结。
Yolov8的基本使用
shanf7921的博客
09-07 3万+
yolov8的安装与基本使用
minicom 使用方法
天道酬勤
08-29 6万+
因为现在电脑基本不配备串行接口，所以，usb转串口成为硬件调试时的必然选择。目前知道的，PL2303的驱动是有的，在dev下的名称是ttyUSB#。 minicom，tkterm都是linux下应用比较广泛的串口软件，这里简单介绍minicom使用。 一，安装 sudo apt-get install minicom 二，配置 安装完成后，请不要着急打开软件。需先进行配置。具体步
读书笔记（随笔5）虚拟终端
cqw123698的博客
04-26 2077
1 背景 很久很久以前，在计算机刚刚诞生的时候，提供人机交互功能、与计算机等进 行通讯的人机界面，是由专门的终端设备完成的。这种连接方式一直沿用到具有 多任务、多用户功能的大型计算机上。随着工业技术的发展和微机的普及，专门 的终端设备已经很难见到了，但是终端连接的需求依然保留着。这个需求由一类 应用程序满足，它就是虚拟终端（很多时候我们也把它叫做伪终端）类应用程序。 这一类的软件有很多，它们依然发挥着终端的作用，但是连接的已不再是大型机， 而是一些专门的工业设备，最常见的
【大作业-18】使用YOLOv8训练自己的数据集（原理解析+数据标注说明+训练教程+图形化系统开发）
dejahu的博客
08-19 4万+
Hello，大家好，本次我们来教大家使用YOLOV8训练自己的数据集。YOLO系列目前已经更新到了V10，并且YOLO系列模型已经目前稳定运行了一段时间。经过一段时间的准备，我们选择在暑期的这个时间点更新YOLOV8模型的教程，从原理、数据标注和环境配置一一展开讲解，帮助小伙伴们掌握YOLOv8的基本内容。注意本次的教程除了支持v8模型的训练，还适用v3、v5、v9、v10等一系列模型的训练。为了帮助大家能灵活选择自己喜欢的内容，我们选择分P的方式进行更新。
minicom指令_Minicom 使用初步
weixin_39598796的博客
12-21 498
因为现在电脑基本不配备串行接口，所以，usb转串口成为硬件调试时的必然选择。目前知道的，PL2303的驱动是有的，在dev下的名称是ttyUSB#。minicom，tkterm都是linux下应用比较广泛的串口软件，这里简单介绍minicom使用。一，安装debian 系，比如 ubuntu、mint等：sudo apt-get install minicom二，配置首先，查看串口设备是否可用。l...
yolov8 下载及使用
qq_35732321的博客
09-23 1157
防止下载版本过低而无法正常下载，此步骤也可以省略。1.5 清除缓存，防止安装OpenCV时过卡。其中，–verbose用来显示安装进度。1.6 安装ultralytics。1.4 更新pip。1.3 激活虚拟环境。
YOLOv11官方代码库与预训练模型下载：介绍Ultralytics官方GitHub及模型权重（yolov11n.pt, yolov11s.pt等）
本博客聚焦 YOLOv11 全流程落地，涵盖架构优化、数据集处理、训练技巧与多场景部署，兼及国产数据库、Java 开发与 AI 模型应用，内容兼顾理论与工程实践，为开发者提供系统干货，助力高效提升技术能力。
06-21 3311
本文介绍了Ultralytics官方GitHub仓库和YOLOv11预训练模型。Ultralytics仓库是YOLO系列算法的官方实现，包含YOLOv11最新代码、预训练模型、文档和工具。仓库采用清晰的代码结构和活跃的更新策略，支持全流程开发。YOLOv11提供了5种不同规模的模型变体(YOLOv11n/s/m/l/x)，在精度、速度和模型大小间权衡，适用于从移动设备到高精度检测等不同场景。各模型在COCO数据集上预训练，可直接使用或微调，满足多样化应用需求。
基于YOLOv8的虚拟主播动作驱动系统设计与实现
YOLO
06-25 251
随着虚拟偶像产业的蓬勃发展，虚拟主播技术已成为计算机视觉和人工智能领域的研究热点。本文提出一种基于YOLOv8目标检测算法的低成本虚拟主播动作驱动方案，结合PyQt5构建的友好用户界面，实现从普通摄像头输入到虚拟主播实时动作的完整流程。本系统通过YOLOv8实时检测人体关键点，将这些关键点映射到虚拟主播的骨骼系统上，从而实现动作驱动。本文将详细介绍系统架构、算法原理、数据集构建、模型训练及界面实现，并提供完整可运行的代码。：将YOLOv8模型转换为INT8量化版本，可提升推理速度。
【四旋翼飞行器】【模拟悬链机器人的动态】设计和控制由两个四旋翼飞行器推动的缆绳研究（Matlab代码实现）
11-26
【四旋翼飞行器】【模拟悬链机器人的动态】设计和控制由两个四旋翼飞行器推动的缆绳研究（Matlab代码实现）内容概要：本文围绕“设计和控制由两个四旋翼飞行器推动的缆绳系统”展开研究，通过建立动力学模型并利用Matlab进行仿真，模拟类似悬链机器人的动态行为。研究重点在于多无人机协同控制、缆绳张力分析及系统稳定性控制，结合非线性动力学与控制理论，实现对柔性连接负载的精确操控。文中提供了完整的Matlab代码实现，便于复现实验结果，适用于复杂空中作业任务的仿真验证。; 适合人群：具备一定控制理论基础和Matlab编程能力的研究生、科研人员及从事无人机协同控制、机器人系统开发的工程技术人员。; 使用场景及目标：①研究多无人机协同搬运与柔性负载控制；②掌握缆绳系统动力学建模与仿真方法；③应用于空中机器人、工业吊装、救援运输等实际场景的控制系统设计与优化； 阅读建议：建议结合Matlab代码逐模块分析，重点关注动力学建模、控制律设计与仿真结果验证部分，可进一步扩展至更多无人机协同或复杂环境干扰下的鲁棒性研究。
基于遗传算法的梯级水电站群联合火电厂优化调度研究（Python代码实现）
11-26
基于遗传算法的梯级水电站群联合火电厂优化调度研究（Python代码实现）内容概要：本文研究了基于遗传算法的梯级水电站群联合火电厂优化调度问题，旨在通过智能优化方法实现电力系统中水火电资源的协调调度，提升能源利用效率与调度经济性。文中构建了考虑水电站间水力联系、水库库容约束、机组出力特性及火电厂运行成本的综合优化模型，并采用遗传算法进行求解，给出了完整的Python代码实现。该方法能够有效处理复杂的非线性、多约束、多变量调度问题，具备良好的收敛性和实
无人机基于改进粒子群算法的无人机路径规划研究[和遗传算法、粒子群算法进行比较]（Matlab代码实现）
最新发布
11-26
【无人机】基于改进粒子群算法的无人机路径规划研究[和遗传算法、粒子群算法进行比较]（Matlab代码实现）内容概要：本文围绕基于改进粒子群算法的无人机路径规划展开研究，重点探讨了在复杂环境中利用改进粒子群算法（PSO）实现无人机三维路径规划的方法，并将其与遗传算法（GA）、标准粒子群算法等传统优化算法进行对比分析。研究内容涵盖路径规划的多目标优化、避障策略、航路点约束以及算法收敛性和寻优能力的评估，所有实验均通过Matlab代码实现，提供了完整的仿真验证流程。文章还提到了多种智能优化算法在无人机路径规划中的应用比较，突出了改进PSO在收敛速度和全局寻优方面的优势。; 适合人群：具备一定Matlab编程基础和优化算法知识的研究生、科研人员及从事无人机路径规划、智能优化算法研究的相关技术人员。; 使用场景及目标：①用于无人机在复杂地形或动态环境下的三维路径规划仿真研究；②比较不同智能优化算法（如PSO、GA、蚁群算法、RRT等）在路径规划中的性能差异；③为多目标优化问题提供算法选型和改进思路。; 阅读建议：建议读者结合文中提供的Matlab代码进行实践操作，重点关注算法的参数设置、适应度函数设计及路径约束处理方式，同时可参考文中提到的多种算法对比思路，拓展到其他智能优化算法的研究与改进中。
图像重建使用FDK的三维谢普洛根幻影重建（Matlab代码实现）
11-26
【图像重建】使用FDK的三维谢普洛根幻影重建（Matlab代码实现）内容概要：本文介绍了使用FDK算法在Matlab环境中实现三维谢普洛根幻影（Shepp-Logan phantom）图像重建的技术方法，重点展示了图像重建过程中的关键步骤与代码实现。该资源属于一系列图像处理与医学成像技术研究的一部分，涵盖了从投影数据生成到反投影重建的完整流程，帮助读者理解CT图像重建的基本原理与FDK算法的应用细节。; 适合人群：具备一定Matlab编程基础，从事医学图像处理、计算机断层成像（CT）或相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标：①学习和掌握FDK算法在三维图像重建中的具体实现；②理解Shepp-Logan幻影模型在仿真成像中的作用；③为医学图像重建、算法验证与教学演示提供可运行的Matlab代码参考； 阅读建议：建议结合Matlab代码逐行调试，理解投影（正弦图）生成与滤波反投影的每一步操作，同时可延伸学习其他重建算法（如FBP
【大数据搜索技术】Elasticsearch7.8安装部署与集群管理：基于CentOS的分布式搜索引擎配置及性能优化实践
11-26
内容概要：本文详细介绍了Elasticsearch 7.8的安装部署及核心功能应用，涵盖环境准备、解压配置、启动优化、集群搭建、分片管理、健康监控等内容，并结合Kibana和Logstash构建完整的ELK日志分析体系。文章还讲解了中文分词器IK的使用、快照备份与恢复机制，以及如何通过Filebeat采集Nginx等服务的日志数据并进行可视化展示，系统性地呈现了Elasticsearch在实际生产环境中的部署与运维流程。; 适合人群：具备Linux基础和一定运维经验的技术人员，尤其是从事日志分析、搜索系统搭建或中间件维护的开发与运维工程师；适合初学者入门Elasticsearch及相关生态组件。; 使用场景及目标：①掌握Elasticsearch单节点与集群环境的安装与配置；②理解索引、分片、副本等核心概念并应用于实际业务；③构建基于Filebeat+Logstash+ES+Kibana的日志采集与分析链路；④实现数据的备份恢复与中文检索功能； 阅读建议：建议按照文档顺序逐步操作，重点关注配置参数调优与常见错误处理（如权限、虚拟内存限制），动手实践集群部署与日志采集流程，结合Kibana进行数据验证与可视化分析，加深对ELK生态协同工作的理解。
commonapi-dbus-demo
11-26
commonapi-dbus-demo
DeepSeek+7大场景+50大案例+全套提示词
11-26
DeepSeek+7大场景+50大案例+全套提示词
EtherNet/IP协议测试与实现源码库
11-26
标题中的"EthernetIP-master.zip"压缩文档涉及工业自动化领域的以太网通信协议EtherNet/IP。该协议由罗克韦尔自动化公司基于TCP/IP技术架构开发，已广泛应用于ControlLogix系列控制设备。该压缩包内可能封装了协议实现代码、技术文档或测试工具等核心组件。 根据描述信息判断，该资源主要用于验证EtherNet/IP通信功能，可能包含测试用例、参数配置模板及故障诊断方案。标签系统通过多种拼写形式强化了协议主题标识，其中"swimo6q"字段需结合具体应用场景才能准确定义其技术含义。 从文件结构分析，该压缩包采用主分支命名规范，符合开源项目管理的基本特征。解压后预期可获取以下技术资料： 1. 项目说明文档：阐述开发目标、环境配置要求及授权条款 2. 核心算法源码：采用工业级编程语言实现的通信协议栈 3. 参数配置文件：预设网络地址、通信端口等连接参数 4. 自动化测试套件：包含协议一致性验证和性能基准测试 5. 技术参考手册：详细说明API接口规范与集成方法 6. 应用示范程序：展示设备数据交换的标准流程 7. 工程构建脚本：支持跨平台编译和部署流程 8. 法律声明文件：明确知识产权归属及使用限制 该测试平台可用于构建协议仿真环境，验证工业控制器与现场设备间的数据交互可靠性。在正式部署前开展此类测试，能够有效识别系统兼容性问题，提升工程实施质量。建议用户在解压文件后优先查阅许可协议，严格遵循技术文档的操作指引，同时需具备EtherNet/IP协议栈的基础知识以深入理解通信机制。 资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
(yolov8) (.venv) D:\ultralytics-main>yolo task=detect mode=train model=yolov8n.pt data=data/blueberry.yaml batch=16 epochs=100 imgsz=640 workers=16 device=cpu Ultralytics 8.3.202 Python-3.10.18 torch-2.8.0+cpu CPU (13th Gen Intel Core(TM) i5-13500HX) engine\trainer: agnostic_nms=False, amp=True, augment=False, auto_augment=randaugment, batch=16, bgr=0.0, box=7.5, cache=False, cfg=None, classes=None, close_mosaic=10, cls=0.5, compile=False, conf=None, copy_paste=0.0, copy_paste_mode=flip, cos_lr=False, cutmix=0.0, data=data/blueberry.yaml, degrees=0.0, deterministic=True, device=cpu, dfl=1.5, dnn=False, dropout=0.0, dynamic=False, embed=None, epochs=100, erasing=0.4, exist_ok=False, fliplr=0.5, flipud=0.0, format=torchscript, fraction=1.0, freeze=None, half=False, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4, imgsz=640, int8=False, iou=0.7, keras=False, kobj=1.0, line_width=None, lr0=0.01, lrf=0.01, mask_ratio=4, max_det=300, mixup=0.0, mode=train, model=yolov8n.pt, momentum=0.937, mosaic=1.0, multi_scale=False, name=train5, nbs=64, nms=False, opset=None, optimize=False, optimizer=auto, overlap_mask=True, patience=100, perspective=0.0, plots=True, pose=12.0, pretrained=True, profile=False, project=None, rect=False, resume=False, retina_masks=False, save=True, save_conf=False, save_crop=False, save_dir=D:\ultralytics-main\runs\detect\train5, save_frames=False, save_json=False, save_period=-1, save_txt=False, scale=0.5, seed=0, shear=0.0, show=False, show_boxes=True, show_conf=True, show_labels=True, simplify=True, single_cls=False, source=None, split=val, stream_buffer=False, task=detect, time=None, tracker=botsort.yaml, translate=0.1, val=True, verbose=True, vid_stride=1, visualize=False, warmup_bias_lr=0.1, warmup_epochs=3.0, warmup_momentum=0.8, weight_decay=0.0005, workers=16, workspace=None Overriding model.yaml nc=80 with nc=2 from n params module arguments 0 -1 1 464 ultralytics.nn.modules.conv.Conv [3, 16, 3, 2] 1 -1 1 4672 ultralytics.nn.modules.conv.Conv [16, 32, 3, 2] 2 -1 1 7360 ultralytics.nn.modules.block.C2f [32, 32, 1, True] 3 -1 1 18560 ultralytics.nn.modules.conv.Conv [32, 64, 3, 2] 4 -1 2 49664 ultralytics.nn.modules.block.C2f [64, 64, 2, True] 5 -1 1 73984 ultralytics.nn.modules.conv.Conv [64, 128, 3, 2] 6 -1 2 197632 ultralytics.nn.modules.block.C2f [128, 128, 2, True] 7 -1 1 295424 ultralytics.nn.modules.conv.Conv [128, 256, 3, 2] 8 -1 1 460288 ultralytics.nn.modules.block.C2f [256, 256, 1, True] 9 -1 1 164608 ultralytics.nn.modules.block.SPPF [256, 256, 5] 10 -1 1 0 torch.nn.modules.upsampling.Upsample [None, 2, 'nearest'] 11 [-1, 6] 1 0 ultralytics.nn.modules.conv.Concat [1] 12 -1 1 148224 ultralytics.nn.modules.block.C2f [384, 128, 1] 13 -1 1 0 torch.nn.modules.upsampling.Upsample [None, 2, 'nearest'] 14 [-1, 4] 1 0 ultralytics.nn.modules.conv.Concat [1] 15 -1 1 37248 ultralytics.nn.modules.block.C2f [192, 64, 1] 16 -1 1 36992 ultralytics.nn.modules.conv.Conv [64, 64, 3, 2] 17 [-1, 12] 1 0 ultralytics.nn.modules.conv.Concat [1] 18 -1 1 123648 ultralytics.nn.modules.block.C2f [192, 128, 1] 19 -1 1 147712 ultralytics.nn.modules.conv.Conv [128, 128, 3, 2] 20 [-1, 9] 1 0 ultralytics.nn.modules.conv.Concat [1] 21 -1 1 493056 ultralytics.nn.modules.block.C2f [384, 256, 1] 22 [15, 18, 21] 1 751702 ultralytics.nn.modules.head.Detect [2, [64, 128, 256]] Model summary: 129 layers, 3,011,238 parameters, 3,011,222 gradients, 8.2 GFLOPs Transferred 319/355 items from pretrained weights Freezing layer 'model.22.dfl.conv.weight' train: Fast image access (ping: 0.30.1 ms, read: 1095.084.9 MB/s, size: 5704.1 KB) train: Scanning data\labels... 42 images, 0 backgrounds, 0 corrupt: 100% ━━━━━━━━━━━━ 42/42 231.9it/s 0.2s train: New cache created: data\labels.cache val: Fast image access (ping: 0.10.0 ms, read: 1136.6122.4 MB/s, size: 5159.8 KB) val: Scanning data\labels... 5 images, 0 backgrounds, 0 corrupt: 100% ━━━━━━━━━━━━ 5/5 832.7it/s 0.0s val: New cache created: data\labels.cache Plotting labels to D:\ultralytics-main\runs\detect\train5\labels.jpg... optimizer: 'optimizer=auto' found, ignoring 'lr0=0.01' and 'momentum=0.937' and determining best 'optimizer', 'lr0' and 'momentum' automatically... optimizer: AdamW(lr=0.001667, momentum=0.9) with parameter groups 57 weight(decay=0.0), 64 weight(decay=0.0005), 63 bias(decay=0.0) Image sizes 640 train, 640 val Using 0 dataloader workers Logging results to D:\ultralytics-main\runs\detect\train5 Starting training for 100 epochs... Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 1/100 0G 4.55 4.535 1.72 4201 640: 100% ━━━━━━━━━━━━ 3/3 0.2it/s 19.2s Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 1/1 1.1it/s 0.9s all 5 1375 0 0 0 0 Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 2/100 0G 4.202 4.315 1.584 4407 640: 100% ━━━━━━━━━━━━ 3/3 0.2it/s 14.1s Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 1/1 1.1it/s 0.9s all 5 1375 0 0 0 0 Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 3/100 0G 4.064 4.144 1.384 4490 640: 100% ━━━━━━━━━━━━ 3/3 0.3it/s 10.9s Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 1/1 1.2it/s 0.8s all 5 1375 0.000654 0.00204 0.000329 3.29e-05 Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 4/100 0G 3.692 3.821 1.25 3762 640: 100% ━━━━━━━━━━━━ 3/3 0.2it/s 13.4s Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 1/1 1.2it/s 0.9s all 5 1375 0 0 0 0 Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 5/100 0G 3.748 3.537 1.194 4132 640: 100% ━━━━━━━━━━━━ 3/3 0.2it/s 13.3s Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 1/1 1.2it/s 0.8s all 5 1375 0 0 0 0 Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 6/100 0G 3.638 3.193 1.139 3905 640: 100% ━━━━━━━━━━━━ 3/3 0.2it/s 17.4s Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 1/1 1.1it/s 0.9s all 5 1375 0 0 0 0 Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 7/100 0G 3.872 3.076 1.119 4161 640: 100% ━━━━━━━━━━━━ 3/3 0.2it/s 13.1s Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 1/1 1.0it/s 1.0s all 5 1375 0.004 0.00133 0.00205 0.000405 Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 8/100 0G 3.584 2.822 1.087 3236 640: 100% ━━━━━━━━━━━━ 3/3 0.3it/s 11.5s Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 1/1 1.0it/s 1.0s all 5 1375 0.0362 0.0416 0.0223 0.00492 Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 9/100 0G 3.666 2.733 1.076 5438 640: 100% ━━━━━━━━━━━━ 3/3 0.2it/s 12.6s Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 1/1 0.9it/s 1.1s all 5 1375 0.0582 0.0696 0.0406 0.0141 Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 10/100 0G 3.707 2.695 1.081 4609 640: 100% ━━━━━━━━━━━━ 3/3 0.2it/s 14.0s Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 1/1 0.9it/s 1.1s all 5 1375 0.0643 0.07 0.0487 0.0153 Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 11/100 0G 3.582 2.541 1.072 3801 640: 100% ━━━━━━━━━━━━ 3/3 0.2it/s 13.9s Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 1/1 0.9it/s 1.1s all 5 1375 0.126 0.081 0.0861 0.0284 Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 12/100 0G 3.534 2.473 1.05 3943 640: 100% ━━━━━━━━━━━━ 3/3 0.1it/s 25.3s Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 1/1 0.9it/s 1.1s all 5 1375 0.182 0.0932 0.118 0.0465 Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 13/100 0G 3.568 2.463 1.059 2693 640: 100% ━━━━━━━━━━━━ 3/3 0.2it/s 17.9s Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 1/1 0.4it/s 2.4s all 5 1375 0.262 0.124 0.17 0.0598 Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 14/100 0G 3.579 2.402 1.043 4156 640: 100% ━━━━━━━━━━━━ 3/3 0.1it/s 20.5s Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 1/1 0.4it/s 2.4s all 5 1375 0.201 0.129 0.146 0.0537 Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 15/100 0G 3.553 2.381 1.015 3515 640: 100% ━━━━━━━━━━━━ 3/3 0.1it/s 33.1s Class Images Instances Box(P R mAP50 mAP50-95): 100% ━━━━━━━━━━━━ 1/1 0.4it/s 2.4s all 5 1375 0.212 0.182 0.167 0.0567 Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 为什么自动停止
09-26
常见的错误包括显存不足（CUDA out of memory）、数据加载错误（如标注文件格式错误）等。 - 解决方法： - 对于显存不足，可以减小批次大小（batch size），使用`batch`参数设置。 - 检查数据标注是否正确，确保...
评论
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