KittiSeg训练train.py问题解决

出现错误 "No variable provide" 

File "train.py", line 131, in 
tf.app.run()
File "/home/emma/anaconda3/envs/tensorflow/lib/python3.6/site-packages/tensorflow/python/platform/app.py", line 126, in run
_sys.exit(main(argv))
File "train.py", line 127, in main
train.do_training(hypes)
File "incl/tensorvision/train.py", line 377, in do_training
tv_graph = core.build_training_graph(hypes, queue, modules)
File "incl/tensorvision/core.py", line 100, in build_training_graph
global_step, learning_rate)
File "/home/emma/fcn/KittiSeg/hypes/../optimizer/generic_optimizer.py", line 91, in training
global_step=global_step)
File "/home/emma/anaconda3/envs/tensorflow/lib/python3.6/site-packages/tensorflow/python/training/optimizer.py", line 529, in apply_gradients
raise ValueError("No variables provided.")
ValueError: No variables provided.

解决:把 generic_optimizer.py 中,79行给成下边的代码:

### YOLO `train.py` 文件的训练使用指南 #### 1. **多GPU分布式数据并行(DDP)训练** 为了利用多个GPU加速YOLOv5模型的训练过程,可以通过Python内置模块`torch.distributed.run`实现多GPU分布式数据并行训练。具体命令如下所示[^1]: ```bash $ python -m torch.distributed.run --nproc_per_node 4 --master_port 1 train.py \ --data coco128.yaml \ --weights yolov5s.pt \ --img 640 \ --device 0,1,2,3 ``` 上述命令中: - `--nproc_per_node 4`: 表示每台机器使用4个进程(即4个GPU)。 - `--master_port 1`: 设置主节点端口号为1。 - `--data coco128.yaml`: 数据配置文件路径。 - `--weights yolov5s.pt`: 预训练权重文件路径。 - `--img 640`: 输入图像尺寸设置为640×640像素。 #### 2. **PyTorch环境搭建** 对于YOLO系列算法而言,推荐使用的深度学习框架是PyTorch。其官方文档提供了详细的安装指导[^2]。以下是基本安装方法: ```bash pip install torch torchvision torchaudio ``` #### 3. **自定义数据集上的简单模型训练流程** 如果希望基于个人的数据集完成YOLOv5或其他版本的目标检测任务,则需遵循以下步骤[^3]: ##### (a). 准备数据集 创建适合YOLO格式的数据目录结构,并编写对应的`.yaml`文件描述该数据集的信息。例如: ```yaml # dataset.yaml example train: ./datasets/train/images/ val: ./datasets/valid/images/ nc: 3 # number of classes names: ['cat', 'dog', 'bird'] # class names ``` ##### (b). 修改超参数 编辑`train.py`脚本中的默认参数或者通过CLI传递额外选项调整优化器、批量大小等设定项来适配特定场景需求。 ##### (c). 启动训练过程 运行类似于下面这样的指令启动整个训练周期直到收敛为止: ```bash python train.py --img 416 --batch 16 --epochs 50 --data dataset.yaml --cfg models/yolov5s.yaml --name custom_training_run ``` #### 4. **其他资源链接** 除了以上提到的内容外,还有更多深入探讨如何高效运用YOLO技术解决实际问题的文章可供查阅。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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