darknet: ./src/utils.c:256: error: Assertion `0‘ failed.已放弃 (核心已转储)

最新推荐文章于 2023-06-30 15:11:50 发布
原创 最新推荐文章于 2023-06-30 15:11:50 发布 · 535 阅读 · 0 ·
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：

#linux #运维 #服务器

文章讲述了在尝试使用学长在Windows环境下训练的darknet权重文件时，在Linux系统中遇到的‘Assertion‘0’failed.’错误。问题源于Windows与Linux的换行符差异。解决方案是使用vi编辑器，设置文件格式为unix，然后保存，从而修复权重文件使其在Linux环境下正常工作。

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

今天借学长的权重文件试用，又出现了新的错误：

First section must be [net] or [network]: Success
darknet: ./src/utils.c:256: error: Assertion `0' failed.
已放弃 (核心已转储)

出现这个问题是因为学长是在Windows下训练的darknet。在Windows下换行符是\n\r，而Linux下则是\n，所以就会有多出来的\r。学长Windows下的权重文件在我的Linux系统里不能被识别。

解决办法：

1.在权重文件目录下打开终端，打开文件，如：输入vi ./yolov3-KD_test.cfg

此时进入文本编辑器，大概长这样：

2.输入命令，注意前面的冒号

: set ff=unix 

然后按回车

 3.输入:wq，保存离开

:wq

再在darknet中打开终端，重新输入验证命令：

 

可以看到已经解决问题啦。 

 

参考网址：

Darknet YOLO 训练问题集锦_宿魄man的博客-优快云博客

: set ff=unix 然后保存_weixin_30246221的博客-优快云博客

redddd4
关注
空指针，指针使用不当 Assertion `px != 0‘ failed. Aborted (core dumped)
weixin_44423355的博客
06-15 1833
问题描述： 编译没有报错，运行出了这个问题。一开始慌得一匹，因为代码主要我在维护，而且功能包越写越多，我自己都记不太住。翻阅了Last commit，每次上传我写的commit自己大概能明白，不过还是很容易忘。先定位到修改的功能包，然后再看这个问题。 /usr/include/boost/smart_ptr/shared_ptr.hpp:734: typename boost::detail::sp_member_access::type boost::shared_ptr::operator->(
ubuntu16.04下使用YOLOV3训练自己做的VOC数据集（VOC数据集制作+模型训练步骤+训练参数解析和问题解决+训练日志可视化（loss、IOU）+模型测试（单张、摄像头、批量测试））
鬼刀
04-30 8397
前序 1、环境配置 请自行参考其他博客 本机环境 ubuntu16.04 python3 英伟达显卡驱动：nvidia-396 OpenCV3.4.5 CUDNN7.0.5 CUDA9.0 2、ubuntu16....
darknet: ./src/utils.c:256: error: Assertion `0' failed.
qq_26572229的博客
07-27 6692
1.darknet: ./src/utils.c:256: error: Assertion `0' failed. Aborted (core dumped) 2.darknet: ./src/cuda.c:36: check_error: Assertion `0' failed. Aborted (core dumped) makefile文件更改： GPU=1 CUDNN=1 ...
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 7258
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...
深度探秘assert---(已放弃，核心已转储）
密码小仙女
11-16 6405
深度探秘assert---(已放弃，核心已转储） 前言 前边一直再看内核的slab缓存，真是累如狗，但是它的体系是在是太复杂了，看来需要进一步总结，在这个过程中经常看到assert 断言这个东西，所以今天轻松一下，看看这个的底层实现。 __start 我使用的是glibc-2.18 还是挺新的，首先看一个例子，如果之前接触过C 的同学应该知道assert 名叫“断言”就是判断一个表达式的真伪。若果
已放弃（核心已转储）
热门推荐
mjiansun的专栏
12-21 3万+
如果出现： I1221 10:24:19.919129 12934 layer_factory.hpp:77] Creating layer mnist I1221 10:24:19.919893 12934 net.cpp:100] Creating Layer mnist I1221 10:24:19.919911 12934 net.cpp:408] mnist -> data I...
YOLO3+GPU(gtx1060)
bufengzj的博客
02-25 6900
安装参加yolo3官网，较为简单。 此文主要针对配置与问题解决。 一.配置GPU和CUDA信息 Darknet在GPU上运行可以得到500倍的提速，编译使用GPU要求显卡是Nvidia卡并且正确安装了CUDA。 GPU环境下的编译配置都是在 /darknet/Makefile 文件中定义的，GPU环境的编译有3点更改需要注意。 1. 更改Makefile前两行GPU和CUDNN的配置：...
cuDNN学习笔记（2）-- 常用数据类型和API函数
北溟客的博客
08-08 2538
常用数据类型和API函数（持续更新中...）数据类型：cudnnDataType_t数据类型：cudnnConvolutionFwdAlgo_tAPI函数：cudnnGetConvolutionForwardWorkspaceSize() 本篇列举在darknet代码研读过程中遇到的常用数据类型和API函数。 2021.08.08更新 数据类型：cudnnDataType_t cudnnDataType_t是darknet的cudnn_convolutional_setup()函数中出现的一个数据类型。 它
【嵌入式遇到的问题】Linux中出现：“已放弃（核心已转储）”该怎样解决呢？
weixin_51911075的博客
11-15 1万+
宝子们是否遇到过这样的问题“已放弃（核心已转储）”，跟着辣面子来解决这个问题吧！
【备忘】[YOLO] darknet: ./src/cuda.c:36: check_error: Assertion `0' failed. 已放弃 (核心已转储)
csdn_zhishui的博客
11-05 1万+
出现这个问题的原因是显存炸了。 出现的场景有两个：训练时，测试时 1.训练时 打开yolov3.cfg，把其中的batch 和subdvisions属性值调小，但最好都是2的指数，并且要保证batch是subdivisions的整数倍。 gedit darket/cfg/yolov3.cfg 2.测试时 一个很大的可能是，忘记把配置文件darket/cfg/yolov3.cfg的...
“malloc(): invalid size (unsorted) 已放弃 (核心已转储) “怎么解决
k1419197516的博客
03-20 8300
这个错误提示是内存分配出现问题，可能是在代码中使用了无效的指针或者越界访问了数组等导致的。解决这个问题的具体方法需要具体分析代码并进行排查。检查代码中是否存在数组越界的情况，例如访问了不存在的数组元素或者访问了超出数组边界的元素。检查代码中是否有使用无效指针的情况，例如对未初始化的指针进行访问或将已析构的对象指针使用。总之，解决这个问题需要具体分析情况进行排查，并在编写代码时注意规避以上情况。检查代码中是否有内存泄漏的情况，例如创建的动态内存没有及时释放。
虚拟机运行spyder报错：已放弃（核心已转储）
u014576453的博客
05-17 1350
虚拟机运行spyder报错：已放弃（核心已转储）
YOLOV3----训练已放弃(核心已转储)
NcepuKZH的博客
03-25 7656
由于时间原因，简单写一下YOLOV3遇到的一个问题----训练已放弃(核心已转储) 这个问题很让人头疼，因为真的是多方面的原因，可能就是一个小的细节，导致了训练过程突然终止。由于这个开源代码很容易理解、编译，效果也非常好，有很多博客都写的很清楚，所以不再过多介绍 YOLOV3（Ubuntu）------训练已放弃(核心已转储) 出现这个问题的原因是内存炸了。 1、权限问题 由于在进行训练时，应该是...
java已放弃核心已转储,薛开宇读书笔记二的问题 Using CPU 已放弃 (核心已转储)...
weixin_29515393的博客
03-11 314
$ ./build/tools/extract_features.bin models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel examples/_temp/imagenet_val.prototxt fc7 examples/_temp/features 10 leveldb报错E1103 21:45:13.11693...
YOLOV3(darknet版)----训练已放弃(核心已转储)
qq_51331745的博客
03-13 1392
简单写一下YOLOV3遇到的一个问题----训练已放弃(核心已转储) 这个问题在训练和测试的时候经常出现，特别是自己训练数据集和使用自己训练权重进行测试的时候。简单总结一下出现的原因和解决方案吧。 1、权限问题 由于在进行训练时，应该是调用了一些编译生成的文件，没有权限去读取，所以在“./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74”命令之前加上sudo。 2、标签问题 检测的标签在data/voc.name
编译darknet，报错darknet: ./src/cuda.c:36: check_error: Assertion `0' failed.
qq_34570910的博客
07-18 5165
报错： a@a-6108GC:~/catkin_ws/src/darknet_ros/darknet$ ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg CUDA Error: CUDA driver version is insufficient for CUDA runtime version darknet: ./s...
【ubuntu】 显卡训练模型错误 已放弃 (核心已转储) 正确解决方法
McGregorWwww的博客
10-29 1万+
在Ubuntu系统下用显卡训练深度学习模型时，总会遇到以下问题： 已放弃（核心已转储） 此时说明GPU的显存已满，一种解决办法是重启命令行或重启电脑，另一种方法是手动清理显存，步骤如下： 首先在命令行输入指令 nvidia-smi 查看显卡使用情况，可以发现最右下角名为python的进程占用显存最多，但实际已将程序关闭，这时就需要手动清理 可以观察到，python进...
linux ubuntu16.04 tensorflow1.2-gpu (已放弃 （核心已转存）) 问题
weixin_39873397的博客
07-28 3366
亲测有效 sudo rm -rf ~/.nv 链接https://github.com/tensorflow/tensorflow/issues/8879
“已放弃 (核心已转储)“解决方法
Leo的博客
06-30 2199
因为OpenCV的版本过高，与pyqt5的读写不兼容。已放弃 (核心已转储)
darknet: ./src/cuda.c:36: check_error: Assertion `0' failed.
最新发布
07-13
<think>我们正在处理用户关于Darknet训练时出现的CUDA错误：`darknet: ./src/cuda.c:36: check_error: Assertion `0' failed. Aborted (core dumped)`。根据引用[1][2][3]，这个错误通常与CUDA内存不足（out of memory）有关。下面将系统地分析原因并提供解决方案。 ## 错误原因分析 1. **显存不足（OOM）**：这是最常见的原因，当GPU显存无法容纳模型和数据时触发[^1][^2]。 - 模型复杂（如YOLOv3）或输入图像尺寸过大 - Batch size或subdivisions设置不合理 2. **CUDA环境问题**：CUDA驱动、运行时版本与Darknet不兼容[^2]。 3. **权限问题**：运行用户没有访问GPU设备的权限[^2]。 4. **代码缺陷**：Darknet源码在特定条件下触发断言（较少见）[^3]。 ## 解决方案 ### 第一步：降低显存消耗（推荐优先尝试） 1. **调整`subdivisions`和`batch`参数**： - 打开网络配置文件（如`yolov3-voc.cfg`） - 增大`subdivisions`值（按2的倍数递增） ```ini [net] batch=64 subdivisions=32 # 原值可能是16或更小 → 改为64或128 ``` - 原理：将批次分割成更小的子批次，减少单次显存占用[^2]。 2. **减小输入尺寸**： - 修改配置中的`width`和`height` ```ini width=416 # 原值可能是608 height=416 # 原值可能是608 ``` 3. **关闭数据增强**（临时测试）： ```ini flip=0 # 关闭翻转增强 blur=0 # 关闭模糊增强 ``` ### 第二步：验证CUDA环境 1. 检查CUDA状态： ```bash nvidia-smi # 查看GPU使用情况 nvcc --version # 查看CUDA编译器版本 ``` 2. 确认Darknet编译选项： - 重新编译前修改`Makefile`： ```makefile GPU=1 # 启用GPU CUDNN=1 # 启用cuDNN CUDNN_HALF=0 # 关闭半精度（可减少显存但可能影响精度） ``` - 重新编译： ```bash make clean make -j8 ``` ### 第三步：检查权限 1. 将用户加入`video`组（Linux）： ```bash sudo usermod -aG video $USER ``` 2. 重启系统使权限生效。 ### 第四步：其他高级方案 1. **使用更小模型**：如将`yolov3`替换为`yolov3-tiny`。 2. **多GPU分摊负载**： - 启动时添加`-gpus`参数： ```bash ./darknet detector train ... -gpus 0,1 # 使用两块GPU ``` 3. **梯度累积**（手动修改源码）： - 在`src/detector.c`中修改梯度累积步数（需C语言基础）。 ## 验证修复 修改后运行测试命令： ```bash ./darknet detector test cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights data/dog.jpg ``` > **重要提示**：每次只修改一个参数，便于定位问题根源。若仍失败，可查看`darknet`输出中`Total memory`和`Free memory`的数值差异[^1]。 ## 常见问题解答 - **Q**: 为什么增大`subdivisions`有效？ **A**: 它将大批次拆解为多个子批次（`batch/subdivisions`），使单步显存需求降低为原来的$1/N$[^2]。 - **Q**: 如何确认是显存不足？ **A**: 在训练命令前添加`watch -n 1 nvidia-smi`，观察显存占用是否接近100%。 ## 相关问题 1. 如何监控Darknet训练时的显存使用情况？ 2. YOLOv4与YOLOv3的显存需求差异有多大？ 3. 如何在低显存GPU上训练高分辨率模型？ 4. Darknet支持哪些混合精度训练方法？ 5. 如何估算特定模型和配置所需的显存大小？ [^1]: CUDA内存不足导致断言失败 [^2]: 调整subdivisions解决显存问题 [^3]: 断言失败的其他可能原因</think>### Darknet训练错误：`check_error Assertion 0 failed in cuda.c line 36` 解决方案 此错误是Darknet训练中最常见的GPU内存问题，根本原因是**GPU显存不足**。以下是系统化的解决步骤： #### 1. 降低显存消耗（最有效方案） ```ini # 修改网络配置文件（如 yolov3-voc.cfg） [net] batch=64 # 原值可能是512或256 → 逐步减半 subdivisions=64 # 原值可能是16 → 按2的幂次增加（16→32→64） width=416 # 原值可能是608 → 降低分辨率 height=416 # 原值可能是608 ``` - **原理**：`subdivisions`控制单次处理的图像数，增大该值可减少显存压力[^2] - **验证公式**：显存需求 $\propto$ $\frac{batch}{subdivisions} \times (width \times height)$ - 调整后需重新开始训练 #### 2. 环境检查与优化 ```bash # 检查GPU状态 nvidia-smi watch -n 1 nvidia-smi # 实时监控显存占用 # 验证CUDA安装 nvcc --version ./darknet detector test ... # 单独运行测试命令 ``` - **关键指标**：确保`Free`显存 > 模型需求（YOLOv3约需4-6GB） - 关闭其他占用显存的程序（如GUI、Chrome等） #### 3. 配置深度优化 ```ini # 在cfg文件中添加/修改 angle=0 # 关闭旋转增强 saturation=0 # 关闭饱和度增强 exposure=0 # 关闭曝光增强 hue=0 # 关闭色调增强 ``` - 数据增强会显著增加显存消耗，训练初期可关闭[^3] #### 4. 系统级解决方案 ```bash # 清理显存残留 sudo rmmod nvidia_uvm sudo modprobe nvidia_uvm # 永久扩大显存池（需重启） echo 1024 | sudo tee /proc/sys/vm/nr_hugepages ``` #### 5. 替代方案（当显存严重不足时） 1. **使用轻量模型**： ```bash ./darknet detector train cfg/voc.data cfg/yolov3-tiny.cfg ... ``` 2. **启用CPU模式**（极慢）： 修改`Makefile`： ```makefile GPU=0 # 禁用GPU ``` 重新编译：`make clean && make` > **验证修复**：调整后运行训练命令，观察是否出现`CUDA error: out of memory`提示消失[^1] ### 常见问题解答 **Q**: 为什么增大`subdivisions`有效？ **A**: 该参数将批次拆分为子批次，使单次显存需求降低为原来的$1/N$[^2] **Q**: 如何预估显存需求？ **A**: 使用公式： $$ \text{显存(GB)} \approx 0.2 \times \frac{batch}{subdivisions} \times \left(\frac{width}{416}\right)^2 \times \left(\frac{height}{416}\right)^2 $$ **Q**: 调整后精度会下降吗？ **A**: 减小`batch`可能影响稳定性，可通过增加迭代次数补偿（在`.data`文件中设置`max_batches=50000`） ### 相关问题 1. 如何监控Darknet训练时的显存使用情况？ 2. YOLOv4与YOLOv3的显存需求差异有多大？ 3. 如何在低显存GPU上训练高分辨率模型？ 4. Darknet支持哪些混合精度训练方法？ 5. 如何估算特定模型和配置所需的显存大小？ [^1]: CUDA内存不足导致断言失败 [^2]: 调整subdivisions解决显存问题 [^3]: 关闭数据增强降低资源消耗
评论 1
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