在YOLOv5训练自己的数据集模型时删除预训练权重后发现报错

最新推荐文章于 2024-06-03 19:45:14 发布

蚂蚁12

最新推荐文章于 2024-06-03 19:45:14 发布

阅读量3.4k

点赞数 2

文章标签：深度学习人工智能神经网络

本文链接：https://blog.youkuaiyun.com/qq_44438961/article/details/127577074

版权

上图是报错内容，

找到general.py 出错的位置，应该是YOLOv5版本的问题，就用一个可以正常空权重跑通的文件，将general.py相应部分给复制下来，粘贴过去。

报错内容是：.acceptable suffix is ['.pt']

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

蚂蚁12

关注关注

2
点赞
踩
1

收藏

觉得还不错? 一键收藏
4
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

YOLOv10 | 手把手教你利用yolov10训练自己数据集（含环境搭建、参数解析、数据集查找、模型训练、推理、导出）

Snu77的博客

05-26

3万+

本文内含YOLOv10网络结构图 + 各个创新模块手撕结构图 + 训练教程 + 推理教程 + 参数解析 + 环境搭建 + 数据集获取等一些有关YOLOv10的内容！目录一、前言二、整体网络结构图三、空间-通道分离下采样3.1 SCDown介绍3.2 C2fUIB介绍3.3 PSA介绍四、环境搭建五、数据集获取六、模型获取七、模型训练7.1 训练的三种方式7.1.1 方式一7.1.2 方式二（推荐）7.1.3 方式三八、模型验证/测试九、模型推理十、模型输出官方论文地址点击此处即可跳转。

YOLOv12 训练自己的数据集，从代码下载到实例测试 —— 附整体模型结构图及代码解析

最新发布

Limiiiing的博客

03-03

3468

在Windows10上配置CUDA环境教程YOLOv12是YOLO系列最新发布的计算机视觉模型。以上就是YOLOv12训练自己数据集的全部过程啦，欢迎大家在评论区交流~

4 条评论您还未登录，请先登录后发表或查看评论

yolov5预训练权重

10-23

yolov5预训练权重，包含yolov5l.pt、yolov5m.pt、yolov5s.pt、yolov5x.pt四种。

YOLO中的预训练模型是否需要

qq_53206057的博客

03-26

3886

参数`--weights`后面跟的是预训练模型的权重文件，这里用的是`yolov5s.pt`，其中`yolov5s`代表的是YOLOv5的一个小型版本，适用于在资源有限的设备上进行快速训练和检测。这个命令同样是用于训练YOLOv5模型，但与上面的命令不同的是，这里`--weights`参数后面是空的，意味着训练将从头开始，不使用任何预训练的权重。`--cfg`参数后面跟的是模型的配置文件，这里使用的是`yolov5s.yaml`，该文件定义了模型的架构和其他参数。这里列出的是两个不同情况下的命令行用法。

[深度学习][原创]如何不用yolov5权重或者模型进行目标检测和绘制map等参数图

FL1623863129的博客

06-22

4098

当你看到这个博客时候，你第一反应肯定是扯犊子，没有模型也能目标检测？是的你没听错，我可以不用权重进行仿真目标检测结果，包括图片，视频以及参数曲线生成。先来看我生成参数图可以看出和真的训练参数几乎没有任何区别，而且仿真模拟参数都是可以通过代码控制，比如想把map设置到0.8，loss从0.1开始往下降，epoches改成500等等，都是可以完成。此外我已经实现了图片批量标注绘制到图片和yolov5真实检测结果一模一样，甚至还可以将置信度设置为固定值！其实只要知道yolov5绘制原理可以轻松实现高度模拟检测结果

[YOLO V5] 官方预训练权重

qq_36848732的博客

07-27

9916

一.YOLO V5官方代码 https://github.com/ultralytics/yolov5 二.预训练权重文件博主用网盘分享出来，便于没有梯子的同学使用 https://pan.baidu.com/s/1yytOWpcV8SwUSYWMAFELmAdv17 内容包括：

yolov5神经网络预训练权重

03-22

yolov5各子类权重 l, m, s, x

YOLOv8训练自定义数据集模型

weixin_43752269的博客

04-02

2070

首先找到，ultralytocs/cfg/default.yaml文件，修改文件中的相关配置，如：task:detect mode:train model:模型文件yolov8n.yaml的位置 data: 数据文件data.yaml的位置以及一些基本的参数设置，epochs 、batch 、workers、imgsz、device等。.whl进行安装，安装后进行检测，print(torch. --vison-- ).yaml是从0重新训练一个新的模型，自定义模型。

yolov5如何训练以及，训练时遇到的一些报错问题解决

01-16

在 model 文件夹下，需要修改预训练权重文件。可以将 yolov5s.yaml 文件复制一份，然后将其重命名。model 文件中的预训练 yaml 文件，只需要将类别修改一下就行了。训练模型使用 train 文件训练模型。在 train ...

使用YOLOv10训练自己的【目标检测】数据集-【收集数据集】-【标注数据集】-【划分数据集】-【配置训练环境】-【训练模型】-【评估模型】-【导出模型】

热门推荐

YOLOv8项目贡献者

06-03

1万+

【收集数据集】-【标注数据集】-【划分数据集】-【配置训练环境】-【训练模型】-【评估模型】-【导出模型】

YOLOv5预训练模型权重

12-09

YOLOv5四个权重文件 yolov5s.pt yolov5m.pt yolov5l.pt yolov5x.pt

yolov5预训练模型

05-08

涵盖了yolov5m、yolov5s、yolov5l、yolov5s模型

yolov5m.pt yolov5的预训练权重文件

04-16

yolov5m.pt yolov5的预训练权重文件

YOLOv5原作预训练权重（2021.4.12发布）

05-30

包含yolov5l.pt、yolov5l6.pt、yolov5m.pt、yolov5m6.pt、yolov5s.pt、yolov5s6.pt、yolov5x.pt、yolov5x6.pt

yolo官方预训练模型的权重与配置

03-19

yolo官方预训练模型的权重与配置文件，可用于吴恩达深度学习课程的作业（需利用Allan Zenlener的YAD2K转换为h5文件）

YOLOv5 AssertionError: “XXX” acceptable suffix is [‘.pt‘]

joe8910的博客

05-23

850

在没有添加"–device 0"的时候，使用cpu训练带双引号是没问题的，但加上了”–device 0“ 这一代码之后使用cuda训练就报这个错误，在网上也有看到有的人说把单引号改成双引号，有的说把双引号改成单引号，我都试了，最后把所有引号都去掉就可以正常运行，所以遇到这个问题，见仁见智吧。“C:\Users\GRT\PycharmProjects\yolov5-7.0\MyFunction\yolov5s.pt”这一行代码带有双引号。把双引号去掉就可以了。

yolov5之修改骨干网络后预训练权重加载

Maggie_JK的博客

07-08

4334

根据观察我们发现，由于加入了分支结构（多了4层），原模型的层的序号是发生了挪位的，比如csd.keys()中'model.4.cv1.conv.weight'这个键的值应该对应加载给model.state_dict().keys()中的‘model.8.cv1.conv.weight'此时，预训练权重加载出现问题，从更改位置开始直到最后的预训练权重是加载不上的，因为网络更改后，预训练权重的键值对和模型的键值对对应不上。然后就可以用新写的csd正常加载预训练模型了。

yolov5训练过程——我的一个个报错，一步步解决

yryryrkkx的博客

04-10

1万+

参照博客照着这位大哥的步骤来的，但是在实际操作中，每个人都可能会有不同的报错，然后需要不同的解决方案。一、必要的环境依赖这篇配置环境的保姆级教学也是这位大哥的与上述给出博客阐述一样，但是我在安装Anaconda前已经有Python了，并且在此基础上发现环境已经配置好了，所以在官网安装Anaconda最新版之后（在安装时不要选择自动配置环境变量），会出现Spyder打不开，Anaconda也会在双击之后弹出一个命令小弹窗，然后立即闪退的情况，而Anaconda promote命...

yolo5 训练无人人机识别系统

qq_51118755的博客

11-18

2644

点击鼠标右键，如果出现NVIDIA图标，点开，出现如下图片我的显卡是1650，根据显卡的型号去官网找相应的驱动下载就好了。nvidia-smi显示出如下数据即为安装成功。

YOLOv5如何训练自己的数据集

02-16

<think>嗯，用户想了解如何使用YOLOv5训练自己的数据集。首先，我需要确定用户对YOLOv5的熟悉程度。可能他们有一定的机器学习基础，但可能没实际操作过目标检测项目。接下来，我需要整理训练步骤，确保逻辑清晰，让用户能一步步跟着做。第一步应该是准备数据集，可能需要解释数据集的格式，比如YOLO需要的txt标注文件，目录结构。用户可能不清楚如何将数据划分为训练集、验证集和测试集，这里需要详细说明目录该怎么组织，比如images和labels的子文件夹。然后是安装环境，用户可能不知道如何安装YOLOv5的依赖，需要给出具体的pip命令，并提醒安装pyqt5可能会遇到的问题，比如依赖库缺失，可能需要额外安装系统包。接着是创建配置文件，这部分可能需要解释YAML文件的结构，特别是类别数和类别名称的修改。用户可能会在这里出错，比如忘记改类别数或者类别名称不对应，需要强调注意事项。准备预训练权重的话，用户可能不清楚该下载哪个版本，比如n、s、m、l、x的区别，需要简单说明模型大小和性能的权衡，建议从小的开始试。训练命令的参数解释很重要，用户可能对epochs、batch size等参数设置有疑问，需要给出常用示例，并说明各参数的作用，比如img-size根据显存调整。训练过程中的监控，可能需要介绍TensorBoard的使用，或者直接查看输出的日志，帮助用户了解训练是否正常进行。验证和推理部分，用户可能想知道如何测试自己的模型，需要给出检测命令的例子，并解释source可以是图片、视频或者摄像头。导出模型为ONNX可能是有移动端部署需求，需要提到这一点。常见问题方面，用户可能会遇到CUDA内存不足，这时候需要建议减小batch size或图像尺寸。标注格式错误也是常见问题，需要提醒检查坐标是否归一化，类别编号是否正确。数据量不足导致的过拟合，建议数据增强或者增加数据。最后，应该总结整个流程，强调耐心和细致，特别是数据准备的重要性。可能用户在实际操作中会遇到各种问题，所以提供参考链接和鼓励的话也是有帮助的。需要确保语言口语化，避免技术术语堆砌，用简洁明了的步骤引导用户完成训练。同时，预判用户可能遇到的问题，提前给出解决方案，减少他们的困惑。整个流程需要逻辑清晰，步骤明确，让用户能一步步跟着操作，顺利完成自己的数据集训练。</think>好的！以下是使用 **YOLOv5 训练自己的数据集**的详细步骤，适合新手快速上手： --- ### **1. 准备数据集** #### 1.1 数据标注 - 使用标注工具（如 [LabelImg](https://github.com/tzutalin/labelImg) 或 [CVAT](https://cvat.org/)）标注图片，生成 **YOLO 格式的标签文件**（每张图片对应一个 `.txt` 文件）。 - 标签格式：`<class_id> <x_center> <y_center> <width> <height>`，坐标需归一化到 `[0,1]`。 #### 1.2 组织目录结构将数据集按以下结构整理： ``` ├── dataset ├── images ├── train └── val ├── labels ├── train └── val ``` --- ### **2. 安装 YOLOv5** ```bash git clone https://github.com/ultralytics/yolov5 # 克隆官方仓库 cd yolov5 pip install -r requirements.txt # 安装依赖（需Python>=3.8） ``` --- ### **3. 创建数据集配置文件** 在 `yolov5/data/` 目录下新建 `custom.yaml`，内容如下： ```yaml # 训练/验证图片路径 train: ../dataset/images/train val: ../dataset/images/val # 类别数 nc: 2 # 修改为你的类别数量（例如2类） # 类别名称 names: ['cat', 'dog'] # 修改为你的类别名称 ``` --- ### **4. 选择预训练权重** - 从官方提供的预训练模型下载权重（如 `yolov5s.pt`）： ```bash wget https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s.pt ``` --- ### **5. 开始训练** ```bash python train.py \ --img 640 \ # 输入图像尺寸 --batch 16 \ # 批大小（根据显存调整） --epochs 100 \ # 训练轮数 --data data/custom.yaml \ # 数据集配置文件 --weights yolov5s.pt \ # 预训练权重 --name my_custom_model # 结果保存名称 ``` --- ### **6. 监控训练过程** - **TensorBoard**：实时查看损失、精度等指标： ```bash tensorboard --logdir runs/train ``` - 训练结果保存在 `runs/train/my_custom_model` 目录下。 --- ### **7. 验证与推理** #### 7.1 验证模型 ```bash python val.py \ --weights runs/train/my_custom_model/weights/best.pt \ --data data/custom.yaml \ --img 640 ``` #### 7.2 使用模型推理 ```bash python detect.py \ --weights runs/train/my_custom_model/weights/best.pt \ --source test_image.jpg # 支持图片、视频、摄像头（如0） ``` --- ### **8. 常见问题** 1. **CUDA内存不足**：减小 `--batch-size` 或 `--img-size`。 2. **标注格式错误**：检查标签文件是否归一化，类别编号是否从0开始。 3. **数据量不足**：启用数据增强（YOLOv5默认开启），或收集更多数据。 --- ### **总结** - **关键点**：数据集质量 > 模型调参。 - 训练完成后可导出模型为 `ONNX/TensorRT` 格式部署到边缘设备。 - 官方文档：https://github.com/ultralytics/yolov5 如果有具体问题（如环境配置、报错解决），欢迎进一步提问！