YOLOv3修改网络结构后无法训练模型

最新推荐文章于 2024-10-01 03:38:58 发布
原创 最新推荐文章于 2024-10-01 03:38:58 发布 · 936 阅读 · 4 ·
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：

#深度学习 #计算机视觉 #神经网络

博主在进行YOLOv3的毕业设计时，尝试了YOLOv3-spp123结构的改进，即在y2和y3层前加入SPP模块并移除部分卷积层。但在训练过程中遇到预训练模型与cfg文件不匹配的错误，急需解决方法。

最近在做毕业设计，基于YOLOv3的研究与实现。没有任何深度学习基础，完全的小白一个。

使用的是YOLOv3-spp。网络结构如下SPP结构如下

YOLOv3-SPP中只在y1层前面加了SPP模块，有一篇论文提出了YOLOv3-spp123结构，将SPP模块加入到y2和y3前面，同时删除了一些卷积层。改进后的网络结构如下

在训练模型的时候，弹出错误，应该是我使用的预训练模型和cfg文件不匹配。

求各位大佬指点指点，救救我。

最低0.47元/天 解锁文章
scanfandprintf
关注
YOLOv11来了，使用YOLOv11训练自己的数据集和推理(附YOLOv11网络结构图)
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
10-02 23万+
YOLOv11 由 Ultralytics 在 2024 年 9 月 30 日发布， 最新的 YOLOv11 模型在之前的 YOLO 版本引入了新功能和改进，以进一步提高性能和灵活性。YOLO11 在快速、准确且易于使用，使其成为各种对象检测和跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。
YOLOv8模型网络结构更改后报错
**My Coding Family**
10-23 1302
Concat 尺寸不匹配是导致错误的主要原因。你需要逐层检查参与Concat操作的张量，并确保它们的形状一致。通过调试每层的输出形状，你可以清楚地看到哪些层之间存在尺寸不匹配，然后通过上采样或下采样使它们匹配。你可以根据上述建议调整你的网络结构，解决报错问题。如果有更多错误细节或调试输出，我可以帮助进一步分析。希望如上措施及解决方案能够帮到有需要的你。
Ubuntu Yolov3 训练新的模型后，加载新模型参数出错InvalidArgumentError: Assign requires shapes of both tensors to match
wukai0909的博客
08-06 1231
--class_name_path ： 类名文件 --restore_path ：加载训练完成的模型 把这两个文件替换成自己训练的文件夹 tensorflow.python.framework.errors_impl.InvalidArgumentError: Assign requires shapes of both tensors to match. lhs shape= [255] ...
修改YOLOv5的模型结构第三弹
Loser
11-24 1706
它的kernelsize是3，stride是2，这是一个会让特征图的尺寸缩小一半的卷积，由于我们删除了它，后面的流程中特征图的尺寸会和原来有所不同，最终导致错误。通过对前面知识的回顾，Concat模块会引用上层的模块的输出，体现在配置文件中，就是会引用数组中的下标，但是我们在数组中删除了两个元素，会使数组原本的索引失效。在head的第一层中，使用了一个1x1的卷积，我们把它修改为kernelsize=3,stride=2的卷积。所有的修改至此就完成了，使用train.py脚本训练一下修改后的模型。
yolov8模型结构修改详细实践
lixiao2112924629的博客
08-04 3240
1）在yolov8中添加CBAM注意力模块，首先打开脚本，脚本路径如下所示：** 注意：自定义的网络模块不是固定放到conv.py脚本中，我们也可以自定义新的脚本添加模块，但是要按下面的方式引用和声明。**2）并在脚本中添加CBAM模块的模型代码，如下所示：添加CBAM模块的代码后，还需要在脚本中添加自定义模块声明，用于后续引用，如下所示：脚本路径：在。
yolo3加载自己训练的模型出现NameError: name 'yolo_head' is not defined
云中寻雾的博客
06-18 6934
当我在train.py中保存检查点作为keras模型时，我无法使用load_model在yolo.py中使用它。 当我使用yolo.py测试图像上训练的模型时，使用 我收到了这个错误： NameError: name 'yolo_head' is not defined 这个问题应该在于，keras的load_model()函数可以将网络结构与权重一起导入，但是只限于keras内...
pytorch修改网络结构后如何加装预训练模型
Hadoop->Spark->Flink
05-19 2367
如果不知道如何使用预训练模型训练的朋友，使用resnet18模型训练自己的数据集的教程请看这篇博客 一、如果我们网络没任何修改 还是训练imagenet的数据集，1000个类别，那么只需以下代码： model_ft = models.resnet18(pretrained=True) model_ft = model_ft.to(device) 二、如果只修改训练自己数据集类别 如果我们训练自己的数据集，假如自己的数据集只有10个类别，那么需先加载预训练模型，然后修改最后的全连接层，改成以下代码加
YOLOv11 | 一文带你深入理解ultralytics最新作品yolov11的创新 | 训练、推理、验证、导出 （附网络结构图）
热门推荐
Snu77的博客
10-01 16万+
ultralytics发布了最新的作品YOLOv11，这一次YOLOv11的变化相对于ultralytics公司的上一代作品YOLOv8变化还是很大的（YOLOv9、YOLOv10均不是ultralytics公司作品），其中改变的位置涉及到C2f变为C3K2，在SPPF后面加了一层类似于注意力机制的C2PSA，还有一个变化大家从yaml文件是看不出来的就是它的检测头内部替换了两个DWConv，在损失函数方面就没有变化了还是采用的CIoU作为边界框回归损失，下面带大家深入理解一下ultralytics最新作品
YOLOv10通俗易懂！手把手教大家利用yolov10训练自己的数据集(环境搭建，YOLOv10网络结构解读 、yolov10.yaml配置文件详细解读与说明、模型训练参数详细解析)
Ai缝合怪、助力小伙伴高效发论文
09-06 2万+
YOLOv10入门必看系列！弄懂YOLOv10模型，看这一篇文章就够了，通俗易懂！ | 手把手教大家利用yolov10训练自己的数据集(环境搭建，YOLOv10网络结构解读 、yolov10.yaml配置文件详细解读与说明、模型训练参数详细解析)
YOLOV3 报错
qq_41167777的博客
06-29 643
配置好YOLOV3后，测试 ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg，报错CUDA Error: out of memory darknet: ./src/cuda.c:36: check_error: Assertion `0' failed. 解决方法：打开yolov3.cfg，修改如下： # ...
yolov3官网上预训练模型
04-21
里面包含了yolov3.weights、yolov3-tiny.weights、darknet53.conv.74
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）
修改YOLOv8网络模型
qq_45050922的博客
09-28 823
需要将数据集配置文件下(cfg\datasets\seaships.yaml)，path，train，val，test键配置好正确的地址值。在YOLOv8代码中，模块的存放位置，主要集中在 ultralytics\nn\modules\Conv.py。在YOLOv8中，为新添加的模块配置输入参数列表，在task文件下的parse_model方法中配置。3. 对新添加的模块，配置参数列表 ultralytics\nn\task.py。2. 将新设计好的模块，添加到代码中。
【学习记录】window下使用pytorch运行yolov3代码出现的报错及修改记录
weixin_44355021的博客
10-31 580
【学习记录】window下使用pytorch运行yolov3代码出现的报错及修改记录 （源码为：eriklindernoren/PyTorch-YOLOv3） 问题1：运行get_coco_dataset.sh文件下载coco数据集 解决：需要下载git，随后在get_coco_dataset.sh文件所在地方右键空白处，点击Git Bash Here，将文件拖入到弹出的框中，即可运行。过程需连网，可能还需下载wget，wget下载参考下面链接。https://blog.youkuaiyun.com/qq_409623
Pytorch 常见报错 + YOLOv3网络结构+Darknet训练YOLOv3的一些细节
qq_35985044的博客
04-22 3672
原文：链接：https://www.jianshu.com/p/b206f438e630 1.BUG: RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation. 什么是inplace operation：in-pla...
替换YOLO主干网络引发的一系列bug记录
m0_48095841的博客
05-18 831
首先说明一下是因为代码写法有问题引发的bug，进行探索之后发现了一些问题从而进行深入了解，并记录本次问题，以便日后遇到的时候好可以参考参考。 问题1：更换主干网络后，直接训练是没什么问题的。但训练完得到一个模型之后，想要加载模型再继续进行训练的时候就报错了。 if len(self.pretrained_model) != 0: model=torch.load(模型地址)["model"] print("load model suc
训练网络错误：SyntaxError: invalid syntax的解决方法
以终为始
03-24 4302
文章目录问题1. 从github上下载网络模型，搭建好环境后训练报错2. 根据readme提示决定直接python scripts/shrec/train.sh 报错原因解决 问题 1. 从github上下载网络模型，搭建好环境后训练报错 train.py: error: the following arguments are required: --dataroot 2. 根据readme提示决定直接python scripts/shrec/train.sh 报错 Python xxx.py 出错
训练神经网络的常见错误
独行穿落叶，闲坐数流萤
07-07 1041
本文内容来自Andrej Karpathy, 李飞飞的高足。 twitter截图如下： 下面来逐点说明。受小博主知识上界限制，文中不免有理解不正确之处，恭请批评指正。 1、you didn’t try to overfit a single batch first. 首先尝试用小数据集作为一个batch，奔着过拟合去，短时间内排除明显的错误。 2、you forgot to to...
在进行YOLOV3（pytorch）源代码+代码实现遇到的问题
qq_61577654的博客
11-06 2842
在进行YOLOV3（pytorch）源代码+代码实现遇到的问题，解决运行时的错误。
yolov5修改网络结构预训练
最新发布
03-19
### 修改 YOLOv5 的网络结构并使用预训练模型 #### 自定义修改 YOLOv5 网络结构 要自定义修改 YOLOv5 的网络结构，可以按照以下方法操作： 1. **编辑配置文件 `*.yaml`** YOLOv5 的网络结构由 YAML 配置文件定义。可以通过修改该文件来调整网络层的数量、类型以及连接方式。例如，在 `models/yolov5s.yaml` 文件中，可以看到 Backbone 和 Head 的具体设计。 下面是一个简单的例子，展示如何增加一层卷积层到 Backbone 中： ```yaml # models/custom_yolov5s.yaml nc: 80 # 类别数量 depth_multiple: 0.33 # 深度倍率因子 width_multiple: 0.50 # 宽度倍率因子 backbone: - Focus: [3, 64, 3] # 输入通道数、输出通道数、核大小 - Conv: [64, 128, 3, 2] # 卷积层 (输入通道数、输出通道数、核大小、步幅) - BottleneckCSP: [128, 128, 3] # 新增的BottleneckCSP模块 - ... head: - ... ``` 上述代码新增了一个 `BottleneckCSP` 层[^3]。 2. **实现新的模块** 如果需要引入全新的模块（比如注意力机制），可以在 `utils/layers.py` 或其他位置编写新类，并将其集成到网络中。例如，添加 SEBlock（Squeeze-and-Excitation Block）作为额外的功能增强工具。 示例代码如下： ```python from torch.nn import Module, Sequential, Linear, Sigmoid class SEBlock(Module): def __init__(self, channel, reduction=16): super(SEBlock, self).__init__() self.avg_pool = AdaptiveAvgPool2d(1) self.fc = Sequential( Linear(channel, channel // reduction), ReLU(inplace=True), Linear(channel // reduction, channel), Sigmoid() ) def forward(self, x): b, c, _, _ = x.size() y = self.avg_pool(x).view(b, c) y = self.fc(y).view(b, c, 1, 1) return x * y.expand_as(x) ``` 将此模块嵌入到现有架构中即可完成扩展[^4]。 #### 使用预训练模型 为了充分利用已有知识迁移学习的优势，通常推荐基于官方发布的 COCO 数据集上的预训练权重初始化模型参数。以下是具体步骤说明： 1. **下载预训练权重** 访问 Ultralytics 提供的资源页面获取对应版本的 `.pt` 权重文件，如 yolov5s.pt、yolov5m.pt 等。 2. **加载权重至自定义模型** 当前已有的两种主要形式分别为常规版与优化部署专用版。前者适用于标准训练流程；后者则经过重新参数化处理以便于后续硬件加速场景应用。两者均能正常参与微调过程但内部细节存在差异需注意区分适用场合[^5]。 加载命令样例如下所示： ```bash python train.py --img 640 --batch 16 --epochs 50 --data custom_dataset.yaml --cfg models/custom_yolov5s.yaml --weights yolov5s.pt ``` 此处指定通过 `--cfg` 参数关联定制好的网络描述文档同时借助 `--weights` 明确初始状态来源从而达成高效迭代目标[^6]。 --- ###
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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