yolov8 No labels found in /path/train.cache解决

COCO2017数据集结构说明(时常更新) 与YOLOV5文件夹分开放置,如下图所示: COCO数据集内部的文件夹如下图: 3. annotations文件夹下的内容如下: 4. images文件夹下的内容如下: 4.1 train2017文件夹下为图片,val2017文件夹下也为图片,内容如下: 5. labels文件夹的内容如下: 5.1 train2017 与 val2017文件夹中的内容为标签,内容分别如下: 6. train2017.cache 与 val2017.cache 是 YOLOV5运行后筛选数据后产生的缓. 阅读详情
AI摘要

文章讲述在yolov8训练时遇到的coco.yaml错误,涉及数据集下载问题和cache生成失败,需检查images路径和train2017.zip完整性。,

在用yolov8中ultralytics/datasets/coco.yaml训练时出现了no labels found in train2017.cache的错误。

model.train(
        data="ultralytics/datasets/coco.yaml",
        epochs=100,
        imgsz=640,
        batch=16,
        save_period=10,
    )

下面查找一个这个问题出现的原因。

这里并没有提前下载coco数据集,是在训练时自动下载的,下载速度比较慢。
然后会在datasets下面出现一个coco文件夹(如果文件夹没有出现在这里,请查看~/.config/Ultralytics/settings.yaml中的路径设置).

请添加图片描述

train.cache在labels文件夹里。它并不是下载的,而是根据images里的train和val图片找到labels里面对应的文件之后生成的。
所以要查看在这个生成的过程中出了什么问题。

首先查看images和labels的路径是否正确。
在ultralytics/yolo/data/dataset.py中查看label_files,看文件是否存在。
(网上很多文章中这一步已经能解决问题)

    def get_labels(self):
        """Returns dictionary of labels for YOLO training."""
        self.label_files = img2label_paths(self.im_files)
        #print(self.label_files)
        cache_path = Path(self.label_files[0]).parent.with_suffix('.cache')

这一步博主查看文件夹是存在这些文件的。还需要继续找原因。
报错的地方在这里。

        # Display cache
        nf, nm, ne, nc, n = cache.pop('results')  # found, missing, empty, corrupt, total
        if exists and LOCAL_RANK in (-1, 0
YOLOv5训练数据提示No labels found 利用YOLOv5训练数据的时候,一直提示找不到标签。 1.首先检查图片文件和标签文件的位置,这两个文件要在同一个路径下。如下: 2.文件夹位置OK,再检查下yaml配置文件中的信息是否正确。看起来也没有问题。 3.但是依旧提示找不到标签╮(╯▽╰)╭,仔细看下数据加载、处理的文件datasets.py,发现有一句会根据第2步中images文件夹的位置找到对应labels文件夹: # Define labels self.label_files = [x.replace('images', 'labels 阅读详情

相关推荐

【YOLO】train2017.cache解析指南

YOLOv5中的train2017.cache文件是训练过程中自动生成的标签缓存文件,主要用于加速数据加载并确保数据一致性。该文件存储了预处理后的标签数据(如边界框坐标、类别ID)、图像原始尺寸及数据统计信息,避免了重复解析原始标签文件。缓存文件采用字典结构的二进制格式保存,包含版本号、哈希值、标签数组、图像尺寸等字段。

浩瀚之水的专栏 458

双格式标注的风筝检测数据集与YOLOv8训练全流程解析

目标检测是计算机视觉领域的核心方向,高质量数据集与流畅的训练流程往往决定项目成败。Pascal VOC与YOLO是两种主流标注格式,前者使用绝对像素坐标,后者依赖归一化相对坐标,理解两者的转换原理对模型训练至关重要。本文围绕一份包含2260张风筝图像、8790个标注框的VOC/YOLO双格式数据集,系统讲解数据校验、坐标转换、数据集划分、YOLOv8训练配置及参数调优过程,同时针对小目标漏检、标签错位、缓存失效等典型工程问题进行复盘。该数据集格式干净、上手快,适合无人机巡检、天空目标识别等场景,也为目标检测

weixin_33794672的博客 394

8511张YOLO格式DMS疲劳驾驶数据集:从拆包到YOLOv8训练全流程

目标检测是计算机视觉的核心任务,YOLO格式因高效易用成为主流标注规范。其原理是将图像划分为网格,每个网格预测边界框和类别,通过归一化坐标实现尺度不变性。在车载DMS场景中,疲劳驾驶检测需同时识别打哈欠、打电话、未系安全带等多类状态,对数据集的类别覆盖和标注质量要求极高。一份包含8511张图像、六类目标的YOLO格式数据集,能有效支撑YOLOv8模型训练,快速验证座舱多状态检测方案。从标签解析、环境配置到训练调参,工程实践中的每个环节都影响最终落地效果。

weixin_34342992的博客 609

安全帽检测数据集:YOLOv5/v8双目标检测工业级轻量基底

安全帽检测是工业视觉中典型的人机协同目标检测任务,其核心在于准确识别‘人’与‘安全帽’两类对象的空间关联性。该任务依赖真实场景下的光照鲁棒性、遮挡适应性与YOLO格式兼容性,技术价值体现在降低模型部署门槛、规避标注格式错误及提升mAP指标稳定性。典型应用场景包括工地监控、电力巡检与制造业AI质检等高安全要求环境。本资源提供1247张真实施工图像及严格校验的YOLO格式标注,覆盖反光安全帽、低照度、多尺度等干扰项,支持快速迁移训练与TensorRT加速部署,是面向工业落地的最小可行数据基底。

weixin_33841503的博客 539

工业级飞机型号识别数据集:YOLOv8/v10直接训练

飞机目标检测是计算机视觉在安防、空管和国防领域的重要落地场景,其核心挑战在于小目标定位、多尺度变化与细粒度型号区分。本文围绕高置信度、强泛化、可部署的工业级数据集展开,解析如何通过统一YOLO格式标注、GJB/CAAC标准类别对齐、夜间红外样本增强及IoU>0.95标注校验,构建真正适配YOLOv8/v10训练pipeline的数据燃料。内容覆盖数据清洗四步法、超参调优策略(如lr0=0.001、close_mosaic=10)、loss曲线诊断与Grad-CAM热力图验证,支撑机场周界巡检、战区目标判别等

weixin_34205826的博客 411

农场航拍YOLO数据集实战:从VisDrone衍生包到YOLOv8训练部署

目标检测是计算机视觉的核心任务,YOLO系列因实时性与精度平衡被广泛采用。其原理是将检测转化为回归问题,通过锚框与损失函数优化实现端到端训练。在农业遥感与农机调度中,航拍小目标密集、遮挡严重,对数据标注与训练参数提出更高要求。VisDrone衍生农场数据集提供car、people、tractor、van四类标注,适配YOLOv5/v7/v8。掌握data.yaml配置、imgsz调整与混淆矩阵分析,可有效提升模型在无人机俯视场景下的泛化能力,支撑农场安防与农机识别应用。

weixin_34204722的博客 289

YOLO电缆破损检测实战:1318张带标签数据集训练与避坑指南

目标检测是计算机视觉的核心任务,YOLO算法因实时性与精度平衡被广泛用于工业缺陷检测。其原理是将图像划分为网格,直接回归边界框与类别,实现端到端检测。在电力巡检场景中,电缆外皮破损、断股露铜等缺陷检测对模型泛化能力要求高,而高质量标注数据是训练基础。本文提供1318张带标签电缆损坏数据集,覆盖YOLO与VOC格式,并详解从环境配置、标签校验到训练调参的完整流程,帮助算法工程师快速验证YOLO在电缆破损识别中的效果,避开路径、标签与显存等常见坑点。

weixin_34279579的博客 397

STM32F407编译下载全流程:从CubeMX到HEX烧录

嵌入式固件开发中,编译与下载是连接代码与硬件的关键闭环。其本质是将高级语言描述的逻辑,经交叉编译(ARM GCC)、链接(ELF生成)、格式转换(HEX/BIN)后,通过调试接口(SWD/UART)写入MCU Flash存储器的过程。该流程涉及工具链协同、二进制格式特性(如Intel HEX的地址映射与无元数据设计)、启动模式(System Memory Bootloader)、Flash选项字节(RDP/WRP)等底层机制,直接决定固件可运行性与安全性。典型应用场景包括STM32F407开发板调试、量产固

weixin_28840811的博客 259

【低空经济】多源异构数据融合的低空智能感知系统设计与实现

本文探讨了低空智能感知系统在多源异构数据融合中的设计与实现,重点解决无人机等低空飞行器的安全监测问题。通过雷达、光学和红外传感器的数据融合,系统识别准确率提升至92%,并实现120ms的低延迟处理。文章详细介绍了时空对齐、特征级融合和动态权重自适应等关键技术,为低空经济发展提供可靠技术支持。

weixin_29065659的博客 342

自适应动态规划硕士博士论文学习

强化学习关注随机过程中的序贯决策问题,而自适应动态规划关注动态系统的控制问题。吸引域:系统渐近稳定的区域。

DarlingLSA的博客 1423

[LVGL] 刷新率优化

实验硬件:STM32F407ZGT6;2.4寸TFT-LCD模块(ILI9341驱动芯片、XTP2046触摸芯片)本文目标:lvgl的刷新率优化,解决拉帘子问题注意:本文在LVGL显示触摸代码移植完成的基础上进行,第一次使用lvgl可根据前文一步步移植,点击下方传送门查看相关文章传送门:STM32F4驱动ILI9341的TFT-LCD触摸屏(HAL库)(一)STM32F4驱动ILI9341的TFT-LCD触摸屏(HAL库)(二)[LVGL] 显示代码移植 基于STM32F4。

2301_77117901的博客 2783

机器视觉最全面试题总结

空洞卷积(Atrous Convolution)也叫做膨胀卷积、扩张卷积,最初的提出是为了解决图像分割在用下采样(池化、卷积)增加感受野时带来的特征图缩小,后再上采样回去时造成的精度上的损失。空洞卷积通过引入了一个扩张率的超参数,该参数定义了卷积核处理数据时各值的间距。可以在增加感受野的同时保持特征图的尺寸不变,从而代替下采样和上采样a. 是普通的卷积过程(dilation rate = 1),卷积后的感受野为3b. 是dilation rate = 2的空洞卷积,卷积后的感受野为5。

@bangbang的博客 9204

单片机通信总述——理论部分(CAN、串口、SPI、I2C等)

并行通信:传输原理:数据各个位同时传输;优点:速度快; 缺点:占用引脚资源多。是指使用 8、16、32 及 64 根或更多的数据线(有多少信号为就需要多少信号位)进行传输的通讯方式,可以同一时刻传输多个数据位的数据。串行通信: 传输原理:数据按位顺序传输;优点:占用引脚资源少; 缺点:速度相对较慢。是指设备之间通过一根数据信号线,地线以及控制信号线,按数据位形式一位一位地传输数据的通讯方式,同一时刻只能传输一位(bit)数据。 单工: 数据传输只支持数据在一个方向上传输。信息只能单方向传输的工作方式,一

qq_42475191的博客 1万+

C/C++面试八股文汇总

以对象管理资源,利用的就是C++构造的对象最终会被对象的析构函数销毁的原则。上述的的申请、使用、释放资源的程序较为简单,但是如果程序很复杂的时候,需要为所有的new 分配的内存delete掉,导致极度臃肿,效率下降,更可怕的是,程序的可理解性和可维护性明显降低了,当操作增多时,处理资源释放的代码就会越来越多,越来越乱。栈在函数调用时,第一个进栈的是主函数中后的下一条指令(函数调用语句的下一条可执行语句)的地址,然后是函数的各个参数,在大多数的C编译器中,参数是由右往左入栈的,然后是函数中的局部变量。

wzzrh的博客 1万+

KylinOS 离线安装 MinIO【图文步骤】

在国产操作系统 KylinOS 中安装 MinIO,详细步骤...

甘蓝的专栏 1534

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

上一篇: leetcode 767. Reorganize String(重组字符串)
下一篇: leetcode 2483. Minimum Penalty for a Shop(商店的最少代价)
蓝羽飞鸟
博客等级 码龄8年 1万+粉丝 727原创
评论 4
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

打赏作者

蓝羽飞鸟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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