Win10+VS2017 配置darknet yolo 训练集Layer before convolutional layer must output image.: No error

最新推荐文章于 2021-08-25 23:00:01 发布
原创 最新推荐文章于 2021-08-25 23:00:01 发布 · 3k 阅读 · 2 ·
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：

#yolo #darknet

 

参考 blog

https://blog.youkuaiyun.com/Clay_Zhang/article/details/82975593

Win10+VS2017 配置darknet yolo 最终可以执行已有训练集。

但是重新按照AB大神   https://github.com/AlexeyAB/darknet

训练Pascal VOC data 出现如下错误怎么解决

 


F:\TOOLS\darknet-master\build\darknet\x64>darknet.exe detector train data/voc.data cfg/yolov3-voc.cfg data/darknet53.conv.74
yolov3-voc
layer     filters    size              input                output
   0 conv     32  3 x 3 / 1   244 x 244 x   3   ->   244 x 244 x  32 0.103 BF
   1 conv     64  3 x 3 / 2   244 x 244 x  32   ->   122 x 122 x  64 0.549 BF
   2 conv     32  1 x 1 / 1   122 x 122 x  64   ->   122 x 122 x  32 0.061 BF
   3 conv     64  3 x 3 / 1   122 x 122 x  32   ->   122 x 122 x  64 0.549 BF
   4 Shortcut Layer: 1
   5 conv    128  3 x 3 / 2   122 x 122 x  64   ->    61 x  61 x 128 0.549 BF
   6 conv     64  1 x 1 / 1    61 x  61 x 128   ->    61 x  61 x  64 0.061 BF
   7 conv    128  3 x 3 / 1    61 x  61 x  64   ->    61 x  61 x 128 0.549 BF
   8 Shortcut Layer: 5
   9 conv     64  1 x 1 / 1    61 x  61 x 128   ->    61 x  61 x  64 0.061 BF
  10 conv    128  3 x 3 / 1    61 x  61 x  64   ->    61 x  61 x 128 0.549 BF
  11 Shortcut Layer: 8
  12 conv    256  3 x 3 / 2    61 x  61 x 128   ->    31 x  31 x 256 0.567 BF
  13 conv    128  1 x 1 / 1    31 x  31 x 256   ->    31 x  31 x 128 0.063 BF
  14 conv    256  3 x 3 / 1    31 x  31 x 128   ->    31 x  31 x 256 0.567 BF
  15 Shortcut Layer: 12
  16 conv    128  1 x 1 / 1    31 x  31 x 256   ->    31 x  31 x 128 0.063 BF
  17 conv    256  3 x 3 / 1    31 x  31 x 128   ->    31 x  31 x 256 0.567 BF
  18 Shortcut Layer: 15
  19 conv    128  1 x 1 / 1    31 x  31 x 256   ->    31 x  31 x 128 0.063 BF
  20 conv    256  3 x 3 / 1    31 x  31 x 128   ->    31 x  31 x 256 0.567 BF
  21 Shortcut Layer: 18
  22 conv    128  1 x 1 / 1    31 x  31 x 256   ->    31 x  31 x 128 0.063 BF
  23 conv    256  3 x 3 / 1    31 x  31 x 128   ->    31 x  31 x 256 0.567 BF
  24 Shortcut Layer: 21
  25 conv    128  1 x 1 / 1    31 x  31 x 256   ->    31 x  31 x 128 0.063 BF
  26 conv    256  3 x 3 / 1    31 x  31 x 128   ->    31 x  31 x 256 0.567 BF
  27 Shortcut Layer: 24
  28 conv    128  1 x 1 / 1    31 x  31 x 256   ->    31 x  31 x 128 0.063 BF
  29 conv    256  3 x 3 / 1    31 x  31 x 128   ->    31 x  31 x 256 0.567 BF
  30 Shortcut Layer: 27
  31 conv    128  1 x 1 / 1    31 x  31 x 256   ->    31 x  31 x 128 0.063 BF
  32 conv    256  3 x 3 / 1    31 x  31 x 128   ->    31 x  31 x 256 0.567 BF
  33 Shortcut Layer: 30
  34 conv    128  1 x 1 / 1    31 x  31 x 256   ->    31 x  31 x 128 0.063 BF
  35 conv    256  3 x 3 / 1    31 x  31 x 128   ->    31 x  31 x 256 0.567 BF
  36 Shortcut Layer: 33
  37 conv    512  3 x 3 / 2    31 x  31 x 256   ->    16 x  16 x 512 0.604 BF
  38 conv    256  1 x 1 / 1    16 x  16 x 512   ->    16 x  16 x 256 0.067 BF
  39 conv    512  3 x 3 / 1    16 x  16 x 256   ->    16 x  16 x 512 0.604 BF
  40 Shortcut Layer: 37
  41 conv    256  1 x 1 / 1    16 x  16 x 512   ->    16 x  16 x 256 0.067 BF
  42 conv    512  3 x 3 / 1    16 x  16 x 256   ->    16 x  16 x 512 0.604 BF
  43 Shortcut Layer: 40
  44 conv    256  1 x 1 / 1    16 x  16 x 512   ->    16 x  16 x 256 0.067 BF
  45 conv    512  3 x 3 / 1    16 x  16 x 256   ->    16 x  16 x 512 0.604 BF
  46 Shortcut Layer: 43
  47 conv    256  1 x 1 / 1    16 x  16 x 512   ->    16 x  16 x 256 0.067 BF
  48 conv    512  3 x 3 / 1    16 x  16 x 256   ->    16 x  16 x 512 0.604 BF
  49 Shortcut Layer: 46
  50 conv    256  1 x 1 / 1    16 x  16 x 512   ->    16 x  16 x 256 0.067 BF
  51 conv    512  3 x 3 / 1    16 x  16 x 256   ->    16 x  16 x 512 0.604 BF
  52 Shortcut Layer: 49
  53 conv    256  1 x 1 / 1    16 x  16 x 512   ->    16 x  16 x 256 0.067 BF
  54 conv    512  3 x 3 / 1    16 x  16 x 256   ->    16 x  16 x 512 0.604 BF
  55 Shortcut Layer: 52
  56 conv    256  1 x 1 / 1    16 x  16 x 512   ->    16 x  16 x 256 0.067 BF
  57 conv    512  3 x 3 / 1    16 x  16 x 256   ->    16 x  16 x 512 0.604 BF
  58 Shortcut Layer: 55
  59 conv    256  1 x 1 / 1    16 x  16 x 512   ->    16 x  16 x 256 0.067 BF
  60 conv    512  3 x 3 / 1    16 x  16 x 256   ->    16 x  16 x 512 0.604 BF
  61 Shortcut Layer: 58
  62 conv   1024  3 x 3 / 2    16 x  16 x 512   ->     8 x   8 x1024 0.604 BF
  63 conv    512  1 x 1 / 1     8 x   8 x1024   ->     8 x   8 x 512 0.067 BF
  64 conv   1024  3 x 3 / 1     8 x   8 x 512   ->     8 x   8 x1024 0.604 BF
  65 Shortcut Layer: 62
  66 conv    512  1 x 1 / 1     8 x   8 x1024   ->     8 x   8 x 512 0.067 BF
  67 conv   1024  3 x 3 / 1     8 x   8 x 512   ->     8 x   8 x1024 0.604 BF
  68 Shortcut Layer: 65
  69 conv    512  1 x 1 / 1     8 x   8 x1024   ->     8 x   8 x 512 0.067 BF
  70 conv   1024  3 x 3 / 1     8 x   8 x 512   ->     8 x   8 x1024 0.604 BF
  71 Shortcut Layer: 68
  72 conv    512  1 x 1 / 1     8 x   8 x1024   ->     8 x   8 x 512 0.067 BF
  73 conv   1024  3 x 3 / 1     8 x   8 x 512   ->     8 x   8 x1024 0.604 BF
  74 Shortcut Layer: 71
  75 conv    512  1 x 1 / 1     8 x   8 x1024   ->     8 x   8 x 512 0.067 BF
  76 conv   1024  3 x 3 / 1     8 x   8 x 512   ->     8 x   8 x1024 0.604 BF
  77 conv    512  1 x 1 / 1     8 x   8 x1024   ->     8 x   8 x 512 0.067 BF
  78 conv   1024  3 x 3 / 1     8 x   8 x 512   ->     8 x   8 x1024 0.604 BF
  79 conv    512  1 x 1 / 1     8 x   8 x1024   ->     8 x   8 x 512 0.067 BF
  80 conv   1024  3 x 3 / 1     8 x   8 x 512   ->     8 x   8 x1024 0.604 BF
  81 conv     75  1 x 1 / 1     8 x   8 x1024   ->     8 x   8 x  75 0.010 BF
  82 yolo
  83 route  79
  84 conv    256  1 x 1 / 1     8 x   8 x 512   ->     8 x   8 x 256 0.017 BF
  85 upsample            2x     8 x   8 x 256   ->    16 x  16 x 256
  86 route  85 61
  87 conv    256  1 x 1 / 1    16 x  16 x 768   ->    16 x  16 x 256 0.101 BF
  88 conv    512  3 x 3 / 1    16 x  16 x 256   ->    16 x  16 x 512 0.604 BF
  89 conv    256  1 x 1 / 1    16 x  16 x 512   ->    16 x  16 x 256 0.067 BF
  90 conv    512  3 x 3 / 1    16 x  16 x 256   ->    16 x  16 x 512 0.604 BF
  91 conv    256  1 x 1 / 1    16 x  16 x 512   ->    16 x  16 x 256 0.067 BF
  92 conv    512  3 x 3 / 1    16 x  16 x 256   ->    16 x  16 x 512 0.604 BF
  93 conv     75  1 x 1 / 1    16 x  16 x 512   ->    16 x  16 x  75 0.020 BF
  94 yolo
  95 route  91
  96 conv    128  1 x 1 / 1    16 x  16 x 256   ->    16 x  16 x 128 0.017 BF
  97 upsample            2x    16 x  16 x 128   ->    32 x  32 x 128
  98 route  97 36
  99 Layer before convolutional layer must output image.: No error

F:\TOOLS\darknet-master\build\darknet\x64>pause
请按任意键继续. . .

目标检测经典论文——YOLO论文翻译：You Only Look Once: Unified, Real-Time Object Detection（YOLO：统一的实时目标检测）
bigcindy的博客
07-30 4826
You Only Look Once: Unified, Real-Time Object Detection YOLO：统一的实时目标检测 Joseph Redmon*, Santosh Divvala*†, Ross Girshick¶, Ali Farhadi*† University of Washington*, Allen Institute for AI†, Facebook AI Research¶ http://pjreddie.com/yolo/ ...
git clone yolo包
weixin_42011960的博客
11-27 1133
安装yolo包 https://github.com/AlexeyAB/darknet 源代码下载 yingyuxi@yingyuxi-GE66-Raider-10SF:~$ git clone https://github.com/AlexeyAB/darknet.git Cloning into 'darknet'... remote: Enumerating objects: 19, done. remote: Counting objects: 100% (19/19), done. rem..
YOLOv4 训练报错Layer before convolutional layer must output image.: No error
向日葵骑士的博客
08-25 989
文章目录前言一、解决办法二、后续问题总结 前言 问题的出现场景：最近在学习YOLO4 , 在用YOLO4跑自己的数据集的时候， 发现会爆出 训练集Layer before convolutional layer must output image.: No error的错误。 提示：以下是本篇文章正文内容，下面案例可供参考 一、解决办法 检查自定义的cfg文件， 输入图像的大小设置如下 height和width 都设置成32 的倍数的就不会爆出这个问题了。 我这里设置为416 、 416 二、.
YOLOv2源码分析（五）
coordinate的博客
12-22 2850
0x01 make_convolutional_layer终于又回到了make_convolutional_layer这个函数//make_convolutional_layer if(binary){ l.binary_weights = calloc(l.nweights, sizeof(float)); l.cweights = calloc(l.nwe
win7低配置下跑深度学习模型遇到的问题
qiuzitao的博客
02-04 665
问题： 在win10高配置电脑上开发好项目，准备迁移到低配置的win7的设备上去用，发现了一些问题： Layer before convolutional layer must output image.: No error DLL load failed: 页面文件太小，无法完成操作 Failed to load the native TensorFlow runtime No module named tensorflow_core 问题解决： Layer before convolutional la
YOLO配置文件理解
热门推荐
zhuiqiuk的专栏
04-14 1万+
http://www.infocool.net/kb/WWW/201703/317548.html [net] batch=64 每batch个样本更新一次参数。 subdivisions=8 如果内存不够大，将batch分割为subdivisions个子batch，每个子batch的大小为batch
深度学习（五）yolov2代码分析
syoung9029的博客
04-21 1万+
Darknet代码详解： 上文配置好环境之后，进入darknet.c,接着进入run_detector(argc,argv) if (0 == strcmp(argv[1], "average")){ average(argc, argv); } else if (0 == strcmp(argv[1], "yolo")){ run_yolo(argc
yolov3+mobilenet+darknet
03-11
2. **配置文件设置**：修改YOLOv3的配置文件以适应新的数据集和训练参数。 3. **训练过程**：使用Darknet框架运行训练脚本，调整学习率、批次大小等超参数以优化模型性能。 4. **验证与测试**：在验证集上评估模型...
[darknet源码学习(二）]解析网络配置文件
sinat_35862942的博客
09-07 2081
解析网络配置文件，初始化网络参数： parse.c/parse_network_cfg()——>parse.c/parse_network_cfg_custom()——>parse.c/read_cfg()——>list_insert() 先看几个重要的结构体： list.h/list结构体 typedef struct list{ int size; //链表...
darknet在windows10+VS2017+opencv3.4.1下编译与应用
08-22
darknet在windows10+VS2017+opencv3.4.1（C++）下编译与应用，关于darknet更多信息可以参考官网： https://pjreddie.com/darknet/tiny-darknet/ 相关的资源可以直接在官网下载。
Darknet 输出网络结构详解
淋曦的进击手记
01-28 7598
先来张图 一、各列说明 1. layer 这一列顾名思义，是层名称。 数字是层编号，后面是层名称。 conv：卷积层。 res：shortcut层（跨层连接，借鉴 resnet 而来，所以用res表示） yolo：YOLO层。 route：融合层，就是把层进行合并，然后输出到下一层。（后面再仔细讲） upsample：上采样层。 2. filters 这是对于 conv 来说的，代表过滤器的通道...
YOLOv3：Darknet代码解析（五）权重与特征存储
祥瑞的技术博客
08-01 1万+
背景：我们去掉了两层卷积层，将网络结构变小。 目的：找到网络的权重如何读取与存储，找到网络中与卷积有关的运算。 相关文章： YOLOv3：Darknet代码解析（一）安装Darknet YOLOv3：Darknet代码解析（二）代码初步 YOLOv3：Darknet代码解析（三）卷积操作 YOLOv3：Darknet代码解析（四）结构更改与训练 YOLOv3：Darknet代码解析（...
基于darknet框架实现DepthwiseConvolutional层
Chen_yingpeng的博客
09-17 4698
基于darknet框架实现DepthwiseConvolutional     具体详见：https://github.com/ChenYingpeng/darknet-mobilenet ，里面包含mobilenet v1 的配置文件以及模型，在Imagenet上测试的top1：72.03%, top5:90.514%. 一、添加depthwise_convolutional_layer ...
Android学习笔记—— 十 、多媒体的基础使用 - 调用相机拍照
北方提不起劲
10-04 402
启动相机 //实例化一个File对象outputImage用于存储拍下来的照片 File outputImage = new File(getExternalCacheDir(), "output_image.jpg"); try { //因为是缓存图片，所以如果已存在就直接删除，...
Yolov-4-运行tiny-yolov3报错:darknet: ./src/utils.c:256: error: Assertion `0' fail Aborted (core dumped)
天明宇朗的博客
03-02 7286
Yolov-1-TX2上用YOLOv3训练自己数据集的流程(VOC2007-TX2-GPU) Yolov--2--一文全面了解深度学习性能优化加速引擎---TensorRT Yolov--3--TensorRT中yolov3性能优化加速（基于caffe） yolov-5-目标检测：YOLOv2算法原理详解 yolov--8--Tensorflow实现YOLO v3 yolov--9--Y...
【darknet源码】：解析cfg文件源码追踪
yuanCruise
08-03 1725
darknet源码中的cfg文件读取完之后还要解析，解析由函数parse_network_cfg(cfgfile)中的parse_xxx系列函数搞定。 主要流程为： 1.make_network:用于构建一个新网络 2.parse_net_options:解析[net]层的各个参数以及操作 3.parse_xxx（如：parse_convolutional）:解析cfg中的各个 [xxx]...
[darknet源码系列-2] darknet源码中的cfg解析
机器学习杂货铺1号店
11-20 1234
[darknet源码系列-2] darknet源码中的cfg解析 FesianXu 20201118 at UESTC 前言 笔者在[1]一文中简单介绍了在darknet中常见的数据结构，本文继续上文的节奏，介绍如何从cfg文本文件中解析出整个网络的结构与参数。如有谬误请联系指出，本文遵守 CC 4.0 BY-SA 版权协议，转载请联系作者并注明出处，谢谢。 ∇\nabla∇ 联系方式： e-mail: FesianXu@gmail.com QQ: 973926198 github:...
29 Darknet error location: F:\darknet-master\src\parser.c, parse_convolutional(), line #208 Layer before convolutional layer must output image.: No error
最新发布
03-09
好的，用户遇到了一个Darknet的错误，错误信息是“Layer before convolutional layer must output image.: No error”，出现在parser.c文件的第208行的parse_convolutional()函数中。用户之前询问过关于训练图片尺寸...
评论 8
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