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

最新推荐文章于 2023-07-26 12:41:53 发布
原创 最新推荐文章于 2023-07-26 12:41:53 发布 · 579 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。

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
“已放弃 (核心已转储)“解决方法
Leo的博客
06-30 2314
因为OpenCV的版本过高，与pyqt5的读写不兼容。已放弃 (核心已转储)
段错误 (核心已转储) + free(): double free detected in tcache 2 已放弃 (核心已转储)
Kearney
07-05 1万+
status $ ./server 段错误 (核心已转储) # another terminal $ ./client File transfer success! free(): double free detected in tcache 2 已放弃 (核心已转储) 文件正常接受 sulotion 万事先搜索 free(): double free detected in tcache 2 如何解决 从此为bug秃头 2021-04-19 free（）：在tcache 2中检测到双空闲，在执行程
Darknet-yolov3在无gpu下的使用,Darknet相关文件说明,标记工具labellmag的使用,用darknet-yolov3训练自己的数据模型
weeks
12-22 1670
*免责声明: 1\此方法仅提供参考 2\搬了其他博主的操作方法,以贴上路径. 3* 场景一:Darknet yolov3在无gpu下的使用 环境搭建 场景二:Darknet相关文件说明 场景三:标记工具labellmag的使用 场景四:用darknet-yolov3训练自己的数据模型 . . . . Darknet yolov3 场景一:Darknet yolov3在无gpu下的使用 环境搭建 windows下:一个比较优质的博文,我是没有成功 参考博文 linux部分 安装虚拟机 (有机会将讲一讲我
darknet: ./src/utils.c:256: error: Assertion `0' failed.
qq_26572229的博客
07-27 6728
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 7284
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...
【YOLO Bug记录】darknet: ./src/utils.c:331: error: Assertion `0‘ failed. Aborted (core dumped)
staticwifi的博客
05-27 2160
目录问题描述解决过程参考 问题描述 训练YOLOv4的过程中，输入代码： $ ./darknet detector train cfg/xxx.data cfg/xxx.cfg yolov4.conv.137 报错： darknet: ./src/utils.c:331: error: Assertion `0’ failed. Aborted (core dumped) 解决过程 经过查找发现，引发相关报错的原因为包含： 配置文件（./cfg/xxx.cfg）中设置的batch、subdivisi
YOLOv3 CUDA Error: out of memory darknet: ./src/cuda.c:36: check_error: Assertion `0‘ failed.
nicole3375的博客
07-26 462
Batch Size（批量大小）：批量大小是指在每次模型训练中同时处理的输入样本数量。Subdivisions（子分区）：子分区是将每个批量进一步划分为更小的部分进行处理的方式。通过使用子分区，可以减少 GPU 内存的需求，特别是当批量大小较大时。把subdivisions=8改成subdivisions=16，64，最好都是2的指数，并且要保证batch是subdivisions的整数倍。方法二：修改尾行 random 值 （默认值为1），此处修改为 ：random=0 （注：yolov3共有三处）
【darknet实验】CUDA Error: out of memory darknet: ./src/cuda.c:36: check_error: Assertion `0‘ failed.
程序猿未进化的博客
12-21 1691
实验测试darknet，遇到错误CUDA Error: out of memory darknet: ./src/cuda.c:36: check_error: Assertion `0' failed. 一、问题描述二、首先需要修改Makefile文件修改一修改二三、方法一修改前修改后测试命令四、方法二 ) 一、问题描述 实验测试darknet，遇到错误CUDA Error: out of memory darknet: ./src/cuda.c:36: check_error: Assertion
CUDA Error: out of memory darknet: ./src/cuda.c:36: check_error: Assertion `0' failed. Aborted
wukai0909的博客
07-29 3666
wu@wu-X555LF:~/darknet$ ./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 yolov3-voc layer filters size input output 0 conv 32 3 x...
关于解决yolov3训练模型时出现CUDA Error: out of memory darknet: ./src/cuda.c:36: check_error: Assertion `0‘ fail
qq_45577581的博客
03-05 545
关于解决yolov3训练模型时出现CUDA Error: out of memory darknet: ./src/cuda.c:36: check_error: Assertion `0‘ failed. 参考链接1
深度探秘assert---(已放弃，核心已转储）
密码小仙女
11-16 6463
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...
【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...
【已解决】terminate called after throwing an instance of ‘cv::Exception‘，已放弃 (核心已转储)
You can do more than just get by.
05-13 2万+
这是运行高翔slambook2的代码出现的错误 >terminate called after throwing an instance of 'cv::Exception' …………已放弃 (核心已转储) 问题原因就在于代码中的文件路径找不到，所以出现为空的问题。
“malloc(): invalid size (unsorted) 已放弃 (核心已转储) “怎么解决
k1419197516的博客
03-20 8573
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 1402
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 7732
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
03-11 325
$ ./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...
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