YOLO模型debug记录

最新推荐文章于 2025-11-30 21:17:58 发布
原创 最新推荐文章于 2025-11-30 21:17:58 发布 · 219 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：

#YOLO #算法 #linux

部署运行你感兴趣的模型镜像

报错1

在这里插入图片描述
修改tasks.py中
在这里插入图片描述

您可能感兴趣的与本文相关的镜像

Yolo-v5

Yolo-v5

Yolo

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎

从零开始使用YOLOv8【Debug解析源码系列】——第一部分：YOLO模型加载流程解构+Detection模型网络层torch加载解析
qq_58718853的博客
08-27 5203
本文详细拆解了ultralytics——yolov8加载检测模型的代码逻辑，为将自定义的模型接入ultralytics平台进行部署或训练铺路
1. YOLO 代码学习--Debug调试记录
我的博客
12-08 3506
目录前言一、为什么要Debug？二、Debug细节1.Debug功能2.Debug前的设置 前言 本次主要基于YOLOX代码对Pycharm的Debug功能进行学习 一、为什么要Debug？ 1. 主要想通过Debug来观察程序内部的数据流动情况。 2. 找出报错的准确位置，分析原因。 二、Debug细节 1.Debug功能 快捷键 名称 说明 F7 Step Into 单步执行，遇到子函数就进入并且继续单步执行,（简而言之，进入子函数） F8 Step Over 在单步执行时，在
yolo_track复现记录
weixin_44283270的博客
08-08 2633
yolo_trackmikel-brostrom/yolo_tracking: A collection of SOTA real-time, multi-object tracking algorithms for object detectors (github.com)yolov8ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite (github.com) 2 源码下载 从
YOLOv8 debug记录
HnIyM的博客
06-14 1224
yolov8训练报错
海上目标识别：利用YOLO模型构建舰船检测系统
weixin_33277412的博客
08-14 315
1. 引言随着海上活动的增加，舰船检测与识别在海洋监控、港口管理、海事救援等领域变得越来越重要。传统的监控方式效率低、误报率高，而深度学习技术的发展为解决这一问题提供了新的途径。2. 项目准备必备环境与工具Python：项目开发的主要编程语言Anaconda：Python数据科学平台，便于环境管理和包管理YOLO (You...
YOLO10模型的NCNN部署日记
qq_39751177的博客
04-24 912
ultralytics框架下yolo10模型转换到NCNN格式，支持安卓端模型部署。以及遇到的问题记录
YOLO目标检测算法调试过程学习记录
pengxiang1998的博客
08-20 681
先前已经完成过YOLO系列目标检测算法的调试过程，今天主要是将所有的调试加以总结这里的conda环境就不再赘述了，直接使用requirement.txt文件的即可，也可以参考YOLOX的配置过程5。
RK3568部署yolo8记录
qq_42681787的博客
11-28 4758
瑞芯微教程基本上都可以在ultralytics_yolo8、rknn_toolkit2、rknn_model_zoo这三个项目的doc目录下找到，模型量化、转化、推理、部署等教程都在这里面。不仅是yolo8部署教程、包括其他yolo版本都可以找到教程。总之，关于rknn的一切教程都在ultralytics_yolo8、rknn_toolkit2、rknn_model_zoo这三个项目中。
Win11中Yolo V10安装过程记录
奋斗之路
06-05 2011
yolo export model=自己盘符\YOLO\yolov10-main\model\yolov10x.pt format=onnx opset=13 simplify。yolo predict model=自己盘符\YOLO\yolov10-main\model\yolov10x.onnx。直接测试YOLO\yolov10-main\ultralytics\assets目录下的图像。安装: python -m pip install -U pip setuptools。
ultralytics-yolo-webui 项目介绍及使用演示
DATABALL 的博客
11-30 746
ultralytics-yolo-webui 项目介绍及使用演示
基于深度学习的PCB缺陷检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)
ningfoshao8678的博客
11-30 514
本文介绍了一套基于YOLO系列算法的PCB缺陷智能检测系统。系统支持多模态检测（图像/视频/实时画面），能准确识别漏孔、短路等常见PCB缺陷，识别精准度高达98%-100%。通过对比YOLOv5/v8/v11/v12等模型，YOLO12n在精度(mAP40.6%)和效率上表现最优。系统采用Python+PyQt5开发，提供用户管理、模型切换等功能，有效解决了传统人工检测效率低、易漏检的问题，为PCB质检提供了智能化解决方案。
基于YOLOv5与改进遗传算法的动态路径规划方法研究
huanghm88的专栏
11-30 140
摘要 本文提出一种融合YOLOv5目标检测与改进遗传算法的动态路径规划方法。通过YOLOv5实时感知环境中的动态和静态障碍物，将语义信息转化为栅格地图。针对传统遗传算法在路径规划中易早熟收敛、局部搜索能力差等问题，提出自适应初始化种群策略、动态变异算子及精英保留机制等改进方案。仿真结果表明，该方法在动态环境中能规划出更安全、平滑且长度更优的路径，具有更强的环境适应性和鲁棒性。 关键词：路径规划；YOLOv5；遗传算法；动态环境；目标检测
ubuntu20.04搭建YOLOv11 GPU运行环境
qing2019的博客
11-27 535
本文记录了在Ubuntu系统上安装NVIDIA显卡驱动、CUDA和cuDNN的全过程。首先通过ubuntu-drivers devices查询并安装NVIDIA驱动535版本（实际应安装570版本），重启后验证驱动安装成功。接着从NVIDIA官网下载CUDA 12.8工具包，通过一系列命令完成安装并配置环境变量。然后下载对应版本的cuDNN v8.9.7，复制相关文件到CUDA目录并设置权限。最后安装与CUDA 12.8兼容的PyTorch版本，测试确认安装成功。整个过程涵盖了驱动安装、CUDA环境搭建到深
感知模块详解：从 OpenCV/YOLO 脚本到 多模态多任务 BEV 架构
最新发布
数据与算法架构提升之路专栏
11-30 298
工业自动驾驶感知系统已从模块化开发进阶为多模态融合的有机整体。传统方案采用独立模块处理不同任务，存在重复计算和协同不足问题；现代架构基于One Backbone, Multiple Heads理念，通过统一BEV空间特征和多任务头实现高效感知。关键技术包括：基于神经网络的BEV变换（LSS/BEVFormer）替代传统几何投影，多任务模型整合检测与分割，时序融合增强跟踪稳定性，以及特征级多模态融合（摄像头+雷达）。部署时采用迁移学习与知识蒸馏技术，使低成本纯视觉系统也能获得接近多模态
YOLO版本系列的特点
m0_50105717的博客
11-29 31
YOLO系列目标检测算法发展综述：从YOLOv1（2016）到YOLOv12（2024），该系列持续优化检测速度和精度。早期版本（v1-v3）通过单次检测框架、多尺度训练等创新实现实时检测；中期（v4-v7）引入CIoU损失、特征融合等技术提升性能；近期版本（v8-v12）注重模块化设计、轻量化（如YOLOv9减少49%参数）及新机制（如注意力机制）。其中YOLOv5/v8/v11由Ultralytics团队开发，强调工程实用性。该系列始终平衡速度与精度，广泛应用于工业检测等领域。
X-AnyLabeling 应用和 YOLO 实战教程
weixin_42019995的博客
11-28 173
这个需要手动下载 x-anylabeling 不提供这个服务（不确定）。需要注意下载之后权重的位置。最好有一个从 yolo 原始格式转换成这步构建 dataset 的 py 脚本。将标注信息导出成 yolo 分割用的格式。（这里需要介绍一下这种格式）dataset 的成功样本和注意事项，注释，结构等。将 python 文件的内容贴上来，然后解释。使用 AI 工具完成标注任务。这个就是点一下的事情。使用源代码进行安装。AI 辅助标注及位置。按操作步骤截图说明。
【AI加持】基于PyQt5+YOLOv8+DeepSeek的智能球体检测系统（详细介绍）
懷淰メ的博客
11-26 992
本文介绍了一个基于PyQt5、YOLOv8和DeepSeek的智能球体检测系统。该系统采用PyQt5构建用户界面，YOLOv8实现目标检测功能，并整合DeepSeek大模型提供AI智能分析。系统支持图像和视频（包括摄像头）输入，能够实时检测球体并标注位置、类别和置信度。检测结果可通过多种格式导出，并提供热力图、直方图等可视化分析。此外，系统还具备登录注册、参数设置等功能，通过多线程技术保证界面流畅性。该方案将计算机视觉检测与AI语义理解相结合，适用于体育分析、工业质检等场景。
焊接焊缝缺陷检测数据集VOC+YOLO格式1009张5类别
FL1623863129的博客
11-29 186
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["adj","geo","int","non","pro"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：1009。标注数量(xml文件个数)：1009。标注数量(txt文件个数)：1009。adj (咬边) 框数 = 1420。non (未焊透) 框数 = 205。
地瓜派RDK X5部署YOLOv11n完整实战：从7 FPS到47 FPS的性能优化之路
hueuyang的博客
11-30 601
本文详细记录了在RDKX5开发板上部署YOLOv11n模型的全过程。初始部署遭遇性能瓶颈（仅7.67FPS），通过分析发现Softmax算子被分配到CPU运行是主要问题。经过环境搭建、模型优化（修改输出头、int16量化Softmax）、性能调优等步骤，最终实现47FPS的实时检测性能。关键突破包括：1）通过node_info配置将Softmax指定到BPU运行；2）修改Ultralytics输出头为6个tensor；3）使用NV12格式输入减少预处理耗时。文章提供了完整的代码实现、量化配置和故障排查指南，
vscode安装yolo模型
06-20
"name": "Python: YOLO Debug", "type": "python", "request": "launch", "program": "${workspaceFolder}/yolo.py", "console": "integratedTerminal", "justMyCode": false } ] } ``` 此配置文件允许用户...
评论
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