YOLOv8常见报错集合(ModuleNotFoundError、NameError、KeyError、nan值及map全为0、​ CUDA out of memory、[WinError 145​)

目录

1.ModuleNotFoundError: No module named ‘ultralytics‘+

解决方法:

2.KeyError: 'GAM_Attention'

2.1原因

2.2解决办法

3.NameError: name 'GAM' is not defined

3.1 原因

3.2解决办法

4.训练时出现loss出现nan值或者测试时P\R\map全部为0值

4.1原因一:

4.2原因二

4.3原因三

4.4原因四

GTX16xx用户的大坑,基本上每个GTX16xx用户使用YOLO系列算法,都会遇到这些问题。

5.[WinError 1455] 页面文件太小,无法完成操作

5.1原因

5.2解决方案

6.RuntimeError: CUDA out of memory

6.1 原因

6.2 解决方案


1.ModuleNotFoundError: No module named ‘ultralytics‘+

解决方法:

在train.py 最前面加入以下代码

import sys
sys.path.append("/home/shares/myproj/other_tasks/yolov8/")
# 即 ultralytics文件夹 所在绝对路径

执行后又报错在 task.py 中没有 ultralytics 模块, 同样在 task.py 前加入上述代码

如果执行后仍然出现该报错,则同样在出现报错的代码前加入该段代码即可

2.KeyError: 'GAM_Attention'

当我们在yolov8中添加一些注意力机制ÿ

YOLO系列是基于深度学习的端到端实时目标检测方法。 PyTorch版的YOLOv5轻量而高性能,更加灵活和易用,当前非常流行。 本课程将手把手地教大家使用labelImg标注和使用YOLOv5训练自己的数据集。课程实战分为两个项目:单目标检测(足球目标检测)和多目标检测(足球和梅西同时检测)。  本课程的YOLOv5使用ultralytics/yolov5,在Windows和Ubuntu系统上分别做项目演示。包括:安装YOLOv5、标注自己的数据集、准备自己的数据集(自动划分训练集和验证集)、修改配置文件、使用wandb训练可视化工具、训练自己的数据集、测试训练出的网络模型和性能统计。 除本课程《YOLOv5实战训练自己的数据集(Windows和Ubuntu演示)》外,本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程,包括:《YOLOv5(PyTorch)目标检测:原理与源码解析》课程链接:https://edu.youkuaiyun.com/course/detail/31428《YOLOv5目标检测实战:Flask Web部署》课程链接:https://edu.youkuaiyun.com/course/detail/31087《YOLOv5(PyTorch)目标检测实战:TensorRT加速部署》课程链接:https://edu.youkuaiyun.com/course/detail/32303《YOLOv5目标检测实战:Jetson Nano部署》课程链接:https://edu.youkuaiyun.com/course/detail/32451《YOLOv5+DeepSORT多目标跟踪与计数精讲》课程链接:https://edu.youkuaiyun.com/course/detail/32669《YOLOv5实战口罩佩戴检测》课程链接:https://edu.youkuaiyun.com/course/detail/32744《YOLOv5实战中国交通标志识别》课程链接:https://edu.youkuaiyun.com/course/detail/35209 《YOLOv5实战垃圾分类目标检测》课程链接:https://edu.youkuaiyun.com/course/detail/35284  
PyTorch版的YOLOv5是轻量而高性能的实时目标检测方法。利用YOLOv5训练完自己的数据集后,如何向大众展示并提供落地的服务呢?   本课程将提供相应的解决方案,具体讲述如何使用Web应用程序框架Flask进行YOLOv5的Web应用部署。用户可通过客户端浏览器上传图片,经服务器处理后返回图片检测数据并在浏览器中绘制检测结果。   本课程的YOLOv5使用ultralytics/yolov5,在Ubuntu系统上做项目演示,并提供在Windows系统上的部署方式文档。 本项目采取前后端分离的系统架构和开发方式,减少前后端的耦合。课程包括:YOLOv5的安装、 Flask的安装、YOLOv5的检测API接口python代码、 Flask的服务程序的python代码、前端html代码、CSS代码、Javascript代码、系统部署演示、生产系统部署建议等。   本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程,包括:《YOLOv5(PyTorch)目标检测实战:训练自己的数据集》Ubuntu系统 https://edu.youkuaiyun.com/course/detail/30793 Windows系统 https://edu.youkuaiyun.com/course/detail/30923 《YOLOv5(PyTorch)目标检测:原理与源码解析》https://edu.youkuaiyun.com/course/detail/31428 《YOLOv5(PyTorch)目标检测实战:Flask Web部署》https://edu.youkuaiyun.com/course/detail/31087 《YOLOv5(PyTorch)目标检测实战:TensorRT加速部署》https://edu.youkuaiyun.com/course/detail/32303
### 回答1: 可能是由于以下原因导致的: 1. 数据集中没有目标物体或者标注有误,导致模型无法学习到有效的特征。 2. 训练参数设置不当,例如学习率过大或过小,训练轮数不足等。 3. 硬件配置不足,例如显存不足,导致模型无法正常训练。 建议检查数据集和标注是否正确,调整训练参数,增加训练轮数,并确保硬件配置足够。 ### 回答2: YOLOv5是一种流行的目标检测算法,它在许多计算机视觉任务中都得到了广泛应用。在YOLOv5的训练过程中,p、r和map是非常重要的评估指标,它们能够反映出模型的性能。 当p、r和map全为0时,这通常表示着模型的性能非常糟糕,可能存在一些问题导致训练结果无法评估。 有几个常见的原因会导致这种情况: 1. 数据问题:如果训练数据集中存在一些问题,例如数据标注不准确或者存在缺失标签等情况,都可能导致模型的性能下降。因此,在训练之前应该对数据集进行仔细的检查和处理,确保数据的质量和完整性。 2. 模型参数问题:模型的参数设置也非常重要,如果参数设置不合理,例如学习率过高或过低,正则化项过强等,都会对模型的训练效果造成严重影响。因此,在进行模型训练前,需要仔细地选择参数并进行调优。 3. 训练过程问题:训练过程中存在一些问题也可能导致p、r和map全为0。例如过拟合或欠拟合等情况都需要对训练过程进行仔细调整。此外,可能需要将训练数据集划分成更小的批次,使用更小的学习率等。 4. 环境问题:最后,环境问题也可能会影响p、r和map指标。例如,训练的硬件设备性能不佳或训练过程中的崩溃等情况都可能影响模型的训练效果。因此,在训练之前需要确保环境的稳定性和性能。 总之,当p、r和map全为0时,需要对训练过程进行仔细的调查和诊断,寻找问题的根源并进行相应的解决。只有在充分理解和解决这些问题后,才能获得良好的模型性能和准确的评估结果。 ### 回答3: 在训练yolov5模型的过程中,可能会遇到PR值和mAP值均为0的情况,这通常是由于以下几个原因导致的: 1. 数据集问题:数据集可能存在错误标注或者数据严重失衡,导致模型训练时无法学习到有效信息。此时可以检查数据集标注是否正确,并尝试平衡数据集。 2. 训练参数问题:可能是训练过程中的一些参数设置不合理导致结果为0。此时需要检查模型参数和训练参数,如学习率等。 3. 模型结构问题:模型结构的选择和设计也很重要,如果选择的模型结构不合适,或者设计的不合理,有可能会导致训练结果为0。可以尝试在模型结构上进行改进和调整,比如增加层数或调整卷积核大小等。 4. 训练数据不足:如果训练集不够大或者数据量不足,也会导致PR值和mAP值为0。此时可以尝试增加训练集的大小或者使用数据增强进行扩充。 综上所述,当yolov5训练时PR和mAP全为0时,需要仔细检查数据集、训练参数、模型结构以及训练数据是否充足,找到问题所在然后进行相应的调整和改进,从而提高模型的训练效果。
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

陈子迩

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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