Yolov3没框原因和解决办法

最新推荐文章于 2025-02-24 11:01:38 发布
最新推荐文章于 2025-02-24 11:01:38 发布
阅读量1.8w 收藏 61
点赞数 11
文章标签： yolov3
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。
本文链接：https://blog.youkuaiyun.com/qq_40013071/article/details/88395413
版权
在使用https://github.com/qqwweee/keras-yolo3的Yolov3代码进行训练并调整config后，如果检测阶段出现无框情况，可通过修改yolo.py文件中score和iou的阈值。score代表置信度，iou表示交并比，降低这两个值可能使检测框显示。即使score低于0.3，效果依然良好。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

如果你是在 https://github.com/qqwweee/keras-yolo3
这里下载的yolov3代码，并且参照很多Yolov3教程修改了config相应部分，并能正常训练，且训练的loss也降得比较低
但却在检测的时候却没有框出来的话

修改同目录下的yolo.py就行

class YOLO(object):
    _defaults = {
   
        "model_path": 'logs/000/trained_weights.h5',
        "anchors_path": 'model_data/y
最低0.47元/天 解锁文章
刘大鱼
关注
Yolov5旋转框(斜框)检测自己的数据集，附带代码+数据集(模型可以收敛)
qq_42754919的博客
11-01 2689
yolov5检测旋转目标，输出旋转框
yolov3的缺点_YOLOv3庖丁解牛（四）：YOLOv3整体归纳总结
weixin_39641103的博客
02-05 1063
前三篇博客我们从三个方向过了一遍yolov3框架结构，最后这篇来总结一下yolo的亮点和不足。以下就木有配图了，有兴趣的大家耐心过一下。首先聊聊它出彩的地方。1、yolo系列最让人激动的形式在于you only look once，一次性就完成所有的预测和检测任务，这是rcnn结构下没办法做到的。其主要得益于loss的逻辑设计上。(1)在计算loss的时候，真实值和预测值设计成了batchsize...
Yolov3训练模型没有框（理论上一定有用的解决方案）
Nire_Yeyu的博客
04-08 1万+
问题描述 不知道有多少人遇到过和我一样的情况，这个问题困扰了我很长时间，这里特别做一下笔记。 本人在Windows10环境下，使用Pycharm进行模型训练。训练的时候一切正常，loss值也有明显下降，但是在使用模型的时候发现与预料结果截然不同。 训练结果如下图： 图片中并没有出现锚框。 解决方案 既然是Yolo模型，那么你的代码中肯定有一部分是用来描述产生锚框的条件的。 每个人的代码不同，但...
Darknet-Yolov3不显示检测框问题汇总
Andrwin的博客
04-09 4112
最开始试了https://github.com/AlexeyAB/darknet 可惜在2020年以后改成了CUDA10支持的，9系显卡上cuda10没法对上显卡驱动 然后试了https://pjreddie.com/ 无非就是 git clone https://github.com/pjreddie/darknet.git 拖不下来去码云 cd darknet 改makefile, ...
YOLOv5s训练模型参数（P、R、Recall、mAP）都是正确有数值的，但测试的图片没有框
早知晓的博客
02-24 359
做论文对比试验过程运行YOLOv5s模型训练自己构建的数据集，训练过程都是正常的，测试性能P、R、Recall、mAP都是0，而且测试的图片上没有框。
Yolov3模型没有框的解决方案之——提高训练模型的置信度
热门推荐
Nire_Yeyu的博客
04-09 1万+
前言 在之前的文章中我说过，如果你的Yolov3模型没有锚框出现，最直接的解决发方案是降低阈值（产生框的门槛），但是这个方法治标不治本。（Yolov3训练模型没有框（理论上一定有用的解决方案）） 今天，我带大家来看一看，我们应该如何根治这个问题——提高模型的置信度。当我们训练模型训练精度大幅提升，执行度明显提高时，即使设置的阈值很高，也一定可以生成锚框。 样本容量 说到提高训练的准确率，很多人...
Yolov3模型提高模型检测准确度 之 learning_rate与batch_size（Yolov3模型没有框的同学们看过来）
Nire_Yeyu的博客
05-11 1万+
前言 我觉得我是真的和“YoloV3模型没有框”这个问题杠上了。 之前，我被这个问题卡了一个星期，后来虽然解决了，但总感觉这个解决方法看着不是很舒服。对于一个强迫症来说，你要我通过牺牲总体特征的检测效果来满足局部特征的检测，这个方法是有些无法接受的。具体我的解决方法是什么，大家可以参照我之前的两篇博客，我把博客链接写下来了，大家可以直接点击链接跳转过去看一下： Yolov3训练模型没有框（理论上一定有用的解决方案） Yolov3模型没有框的解决方案之——提高训练模型的置信度 上次有同学私信我，他遇到的情.
yolov3-vehicle-detection-paddle:vehicle-detection based on yolov3（基于paddle的YOLOv3车辆检测和类型识别）
05-09
vehicle-detection based on yolov3（基于paddle的YOLOv3车辆检测和车辆类型识别） 今天我们使用 Paddle 开源的两个工具：PaddleDetection 和 X2Paddle 来进行一个车辆检测和类型识别的小demo~ 源码地址： 最终的...
YOLOv1、YOLOv2和YOLOv3对比
北溟客的博客
06-06 5846
YOLOv1、YOLOv2和YOLOv3对比R-CNN系列YOLOv1结构目标输出网络训练YOLOv1的局限性和R-CNN系列的对比YOLOv2结构目标输出网络训练关于YOLO9000YOLOv3结构目标输出网络训练YOLOv3系统做过的不成功的尝试未来 YOLO深度卷积神经网络已经经过原作者Joseph Redmon已经经过了3代4个经典版本（含YOLOv2和YOLO9000），俄罗斯的AlexeyAB已经完成了第4版迭代，并获得了Joseph官方认可。本文主要对前3个经典版本进行分析。 YOLOv1是2
darknet版YOLOv3训练自己的数据集检测不到结果，没有框
caiguanhong的博客
01-27 4079
1.修改makefile中的计算能力ARCH，无效 2.修改makefile中的cudnn=0，无效 3.用CPU识别，GPU=0，CUDNN=0，OPENCV=0，无效 4.这个使用GPU来做图像识别的，速度比上一个办法要快很多！在命令行输入命令时，先不要添加图片路径，等网络架构运行完，会提示你输入图片路径，然后再输入图片路径。无效。 5. ...
利用yolov3训练自己的数据集（以框取车牌为例）
04-29
一个小的数据集包含了882张汽车的图片（车牌较为清晰），其中153张图片打了标签，生成了xml文件
yolov5 训练模型预测没有框？mAP为零？
写点没用的。(debug)? log : dog
04-15 1万+
yolov5 的预测结果都没有框，小白可以参考一下 。warnings.warn("Detected call of `lr_scheduler.step()` before `optimizer.step()`. "
【YOLO】训练voc数据集没有框？？解决方法
shangpapa3的博客
07-28 1万+
yolo训练voc数据集，没有框，解决方法
针对部分16系显卡通过VS2017编译的YOLOV3测试成功但图像无检测框的问题：
谭鑫的博客
06-05 697
在16系显卡下通过VS2017编译的YOLO3无检测框问题
按照Yolov3 darknet官网测试后，图片输出正常，但没有检测信息（无框解决）
王叔叔
11-21 9089
按照官网到下面一步后出现差异，只输出图片，没有检测信息（正常里面透露着些许诡异，艹…） ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg 试一下下面命令：（是cfg里面的阈值设置太高了吗？0.5也正常呀，到底为什么？？？） ./darknet detector test cfg/voc.data cfg/yolo-voc.2....
Ubuntu18、darknet、YOLOv3跑图没有框？？？
qq_52737103的博客
06-13 220
用了网上所有方法：cudnn、注释掉Training、我的工作空间里没有detect.py还是没用怎么办？换个权重试试，该死的，我的框终于出来了。
Windows 解决yolov3 不画框
xianma1981的博客
04-06 1206
项目场景： yolov3 测试不画框 问题描述： 在使用yolov3做框架训练模型，测试时发现没有把框画出来。 原因分析： 在通过cuda与cudnn版本的各种替换，然后排除驱动版本的问题。 在通过在另一台电脑上的成功案例，对比本台电脑的结果比较后发现： cudnn_half 的值不一样，当值为0的时候，发现测试的时候框已经显示出来了；当值为1的时候，发现测试的时候框显示不出来了。 解决方案： 通过阅读源码和官方的pdf文档时，终于发现在yolov3 项目中，parser.c中1238行左右 修改com
关于Yolov3 darknet训练后检测不出物体（不能框选）的解决方法
m0_37659647的博客
08-24 8377
修改 cfg/yolov3.cfg 文件 训练注释掉，改成测试就OK 改为
yolov5数据失衡解决办法
最新发布
04-16
<think>好的，我需要帮助用户解决YOLOv5中处理数据集失衡的问题。首先，我得回顾一下YOLOv5的相关知识，以及处理数据集失衡的常见方法。根据用户提供的引用资料，特别是引用[2]中的信息，YOLO算法在训练时会调整不同误差的权重，比如位置误差权重为5，类别误差权重为1，不包含物体的置信度误差权重为0.5。这可能对处理类别不平衡有帮助。 接下来，我需要考虑数据集失衡的常见解决方案。通常，处理类别不平衡的方法包括数据层面的方法（如过采样、欠采样、数据增强）和算法层面的方法（如调整损失函数的权重）。结合YOLOv5的具体实现，可能需要调整损失函数中的类别权重，或者在数据预处理时进行增强。 引用[3]中提到使用数据增强方法（如平移、对比度增强、加噪、小角度旋转等）和生成对抗网络来生成仿真数据，这可以增加少数类别的样本数量，缓解数据不平衡的问题。此外，迁移学习也被用来利用其他源域的数据，这可能对少数类别的检测有帮助。 用户提供的引用[4]中提到了在HRSC2016数据集上使用特定锚框比例来提高检测精度，这可能对目标形状不平衡的情况有帮助，但用户的问题更侧重于类别失衡。 综合这些信息，我需要整理出适用于YOLOv5的具体策略，比如调整损失权重、数据增强、生成合成数据、迁移学习等。同时，需要确保这些方法在YOLOv5的框架内可行，例如修改损失函数的权重参数，或者使用数据增强工具。 需要注意的是，YOLOv5的官方实现可能已经包含了一些处理失衡的方法，比如Focal Loss或者自动调整类别权重，但用户可能需要手动配置。此外，引用[2]中提到的误差权重调整可能需要在损失函数中进行相应的修改，比如在计算分类损失时增加少数类别的权重。 最后，应该将这些方法分点列出，结构清晰，并引用相关的文献支持，比如引用[2]、[3]、[4]中的方法。</think>在YOLOv5中处理数据集失衡问题，需综合运用数据增强、损失函数优化和训练策略调整等手段。以下是具体解决方案与技术策略： --- ### 一、数据层面优化 1. **数据增强技术** - 对少数类别样本进行**过采样**，使用几何变换（旋转、平移、翻转）、色彩空间调整（亮度、对比度、饱和度）、添加噪声等基础增强方法[^3] - 采用**生成对抗网络（GAN）**生成少数类别的合成样本，例如文献[3]中提到的多尺度GAN生成仿真样本，可提升检测率4.1% - 引用YOLOv5内置增强：`mosaic增强`、`mixup`等复合增强策略，提升样本多样性 2. **样本权重平衡** - 通过`--class-weights`参数设置类别权重，计算公式为： $$w_c = \frac{1}{\sqrt{N_c}}$$ 其中$N_c$为类别$c$的样本数，降低高频类别的影响 --- ### 二、损失函数改进 1. **Focal Loss改进分类损失** 修改分类损失为Focal Loss，降低易分类样本的权重，公式： $$FL(p_t) = -\alpha_t(1-p_t)^\gamma \log(p_t)$$ 其中$\alpha_t$用于平衡类别，$\gamma$控制难易样本权重[^2] 2. **动态误差权重分配** - 参照YOLO传统设计：位置误差权重设为5，分类误差权重设为1[^2] - 对含目标/无目标置信度损失分别设置权重（如1:0.5），减少背景区域影响 --- ### 三、训练策略调整 1. **迁移学习与预训练** - 使用COCO等大规模数据集预训练模型，再在目标数据集微调 - 引用文献[3]中的跨域迁移方法，例如利用车辆/船只SAR数据辅助飞机检测 2. **锚框优化** - 通过`k-means`重新聚类数据集锚框尺寸，特别是针对长宽比悬殊的类别（参考文献[4]中舰船检测的锚框优化方案） - 修改`anchor_t`参数调整锚框与GT的匹配阈值 --- ### 四、评估与后处理 1. **非极大值抑制（NMS）优化** 对少数类别使用更宽松的IOU阈值或独立NMS处理 2. **测试时增强（TTA）** 启用YOLOv5的TTA功能，提升少数类别的召回率 --- ### 五、代码实现示例 ```python # 在YOLOv5训练命令中设置参数 python train.py \ --data custom.yaml \ --weights yolov5s.pt \ --hyp data/hyps/hyp.scratch-low.yaml \ --class-weights 2.0 1.0 5.0 # 示例权重设置 \ --anchor_t 3.0 # 调整锚框匹配阈值 ``` ---
评论 71
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