记录yolov5的一个问题

最新推荐文章于 2024-11-12 15:02:10 发布
最新推荐文章于 2024-11-12 15:02:10 发布
阅读量148 收藏
点赞数
文章标签： YOLO 深度学习 人工智能
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。
本文链接：https://blog.csdn.net/guo_pp/article/details/130588902
版权
在使用yolo.py加载自建模型时遇到数据尺寸不一致的问题，导致输出错误，但奇怪的是，在train.py中进行训练时没有出现此类问题。已经进行了三天的训练可能需要重新评估。寻求有类似经验的人讨论解决方案。
摘要由CSDN通过智能技术生成

我自己构建了一个模型，在yolo.py中倒入模型并输出的时候，显示有问题，数据的尺寸对不上，但是我在用train.py去训练这个模型的时候是没有错的能直接训练？？？？
就很神奇，从来没碰到过这个问题，害我白训练了3天的结果。。。
有人碰到过类似的问题吗？
一起讨论一下

GUO_PP
关注
记录yolov5训练报错问题
XXX
04-21 1904
AttributeError: ‘Upsample‘ object has no attribute ‘recompute_scale_factor‘ 解决办法： 解决方法 Pytorch中报错RuntimeError: The size of tensor a (60) must match the size of tensor b (56) 解决办法： 解决警告UserWarning: torch.meshgrid: in an upcoming release, it will be require.
记录一次yolov5 编码报错问题
weixin_66216655的博客
02-04 487
2.看报错一步步找到源文件（打开yaml的文件，加上encoding='utf-8'）还是报错，但是position变了。1.删去yaml注释中的中文。
yolov5——问题记录
retainenergy的博客
05-06 9014
简介 记录自己学习yolov5中遇到的问题，随即不定时更新，遇到问题记录下来方便回顾。 2022.05.06 1、改用VOC数据集进行训练，修改完格式后，运行train.py报错： AssertionError: train: No labels in …/train.cache. Can not train without labels. See https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data 解决方法：打开文件目录下 utils/
关于yolov5训练大量数据存在的问题记录
门前大橋下丶
04-20 5202
相关配置环境 拉取官方最新的镜像（docker pull ultralytics/yolov5） 以及代码（git clone https://github.com/ultralytics/yolov5） torch 1.10.1+cu102 CUDA:0 (Tesla V100-PCIE-32GB, 32510MiB) 相关问题 我是自定义数据集一共多达4.5w张，图像大小大多为3M（4000*3000）甚至更高。因为使用的是V100 32G显卡，本着batch_size越大训练越快的原则直接把ba
【详细记录】rv1126 跑通 yolov5
weixin_45824067的博客
08-02 3551
在前面，已经将 onnx模型转为 rknn模型。这里探讨的是：rknn模型在rv1126开发板上运行。
记录一次YOLOV5遇到的问题
iamjingong的博客
08-13 1266
1、 出现这个问题，首先先看一下是不是自己的label出现了问题，label的起始值应该是从0开始才对，如果从1开始的，大概率是因为这个问题导致的。 2、如果上面没有解决问题，可能是因为在训练自己的数据时，划分训练数据和测试数据出了问题，例如我这里有1700个数据，共30类数据，我用了前1200个作为了训练集，后面的500作为了测试集，很有可能是因为前1200个数据没有全部包含到30类，导致在测试阶段出现了以上问题。 解决办法：可以通过重新划分数据集进行尝试，例如把训练集划分的多一点，划分到前160..
记录Yolov5(6.0)转为NCNN全过程
qq_41151593的博客
03-16 2904
1、下载yolov5 6.0源码 2、转换为ONNX格式（参数一定要全，很关键！！！） python export.py --weights yolov5n.pt --img 640 640 --batch 1 --train --simplify --include onnx #或者 python export.py --weights yolov5n.pt --img 640 640 --batch 1 --train --simplify --include onnx --opset 11 3
yolov5问题解决记录贴
热门推荐
HOLEYU的博客
11-12 2万+
随手记，以后有时间再整理吧 问题一：环境配置后cuda与pytorch不符 detect: weights=yolov5s.pt, source=data/images, imgsz=[640, 640], conf_thres=0.25, iou_thres=0.45, max_det=1000, device=, view_img=False, save_txt=False, save_conf=False, save_crop=False, nosave=False, classes=None,
YOLOv5打包成exe常见问题记录
MAI44的博客
06-19 1359
例子：这里提示 dist\your_project_name\ultralytics\cfg\default.yaml找不到，那么在dist\your_project_name\目录下，依次创建ultralytics目录，并在ultralytics目录下创建cfg目录，并在cfg目录下，复制default.yaml到cfg目录下。（没有验证过去掉它是否可行），并且在打包好的dist\your_project_name\xxx.exe的所在目录，把hubconf.py复制到这个exe所在的目录下。
YOLOv5学习记录
2301_80893534的博客
04-08 991
YOLOv5的学习记录以及部分报错的解决方案
ModelArts分布式训练yolov5日志文件
09-11
华为的ModelArts平台提供了一个强大的云端环境，支持用户进行大规模的模型训练，包括针对目标检测任务的yolov5模型。本文件“ModelArts分布式训练yolov5日志文件”正是记录了这一过程的详细信息，通过分析这些日志，...
yolov5自动标注工具
03-02
YOLOv5是一款高效且精确的目标检测模型，...总的来说，这个YOLOv5自动标注工具是一个实用的工具，能够有效加速计算机视觉项目的开发流程，特别是对于那些需要大量标注数据的项目，可以极大地提高效率，降低人力成本。
YOLOv5鸟类检测训练模型 yolov5-6.0-detect_bird-bird_dataset.zip
05-22
在本案例中，我们讨论的是一个针对鸟类检测训练的YOLOv5模型，该模型已经在数千张标注的鸟类图像上进行了训练，并达到了90%以上的精度。 YOLOv5模型的设计理念是实时性与准确性并重，它通过一次前传过程就能完成...
jetson nano + ROS + yolov5开发记录
04-15
### Jetson Nano + ROS + YOLOv5 开发记录 #### 一、环境搭建概述 本篇开发记录主要介绍了如何在Jetson Nano平台上搭建基于ROS（Robot Operating System）和YOLOv5的开发环境。Jetson Nano是一款由NVIDIA推出的高...
yolov5模型权重文件.rar
07-30
YOLOv5是一种基于深度学习的目标检测模型，全称为"You Only Look Once"的第五代版本。这个模型在目标检测领域有着广泛的应用，因其快速而准确的特性而备受青睐。权重文件是训练好的模型参数，它们记录了模型在大量...
从零开始使用YOLOv11——Yolo检测detect数据集自建格式转换为模型训练格式：20w+图片&1w+类别代码测试成功
最新发布
qq_58718853的博客
11-12 719
本文记录YOLO检测模型训练数据集搭建过程和代码
YOLO11改进 | 融合改进 | C3k2融合Efficient Multi-Scale Conv Plus【独家原创】
kay_545
11-12 293
yolo11改进，yolo11
YOLO11改进-模块-引入CMUNeXt Block 增强全局信息
qq_64693987的博客
11-08 683
有效提取全局信息：通过使用大核深度可分离卷积替换普通卷积，先利用大核的深度可分离卷积提取每个通道的全局信息，再借助残差连接，解决了卷积网络难以提取全局信息的问题。保持轻量化优势：深度可分离卷积本身相比普通卷积能有效减少网络参数和计算成本，并且通过合理设计，如倒置瓶颈设计等，在提取全局信息的同时保持了网络的轻量化，使得网络既能够提取全局信息，又适合在移动和边缘设备上部署。综合利用归纳偏置和全局信息提取。
Yolo11实战改进：一文读懂Yolo11到实战。
m0_47867638的博客
11-09 830
YOLO11是Ultralytics YOLO系列实时目标检测器的最新迭代版本，它以尖端的精度、速度和效率重新定义了可能性。在之前YOLO版本令人瞩目的进步基础上，YOLO11在架构和训练方法上引入了重大改进，使其成为各种计算机视觉任务的通用选择。关键特性：YOLO11采用改进的主干网络和颈部架构，提高了特征提取能力，以实现更精确的目标检测和更复杂的任务性能。YOLO11引入了精细的架构设计和优化的训练流程，提供了更快的处理速度，并在准确性和性能之间保持了最佳平衡。
YOLOv5模型优化技术的深入研究
针对【压缩包子文件的文件名称列表】中提到的"YOLOv5-improve-main"，这似乎指向一个包含了改进YOLOv5模型代码和资料的主仓库。在这个仓库中，开发者和研究者可能会找到改进版本的YOLOv5模型的源代码，预训练模型...
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