YOLO训练卡在下载权重而无法继续的问题

那就是我了

已于 2025-03-15 11:45:20 修改

阅读量862

点赞数 7

文章标签： yolo yolov8 yolo11 amp_check

于 2025-03-14 14:42:01 首次发布

本文链接：https://blog.csdn.net/lalallalafa/article/details/146256981

版权

有些时候yolo训练会一直卡在下载YOLO11n.pt的情况

yolov8v11在训练时会自动下载yolov8.pt,yolo11.pt,即使你在本地的文件夹中有了pt文件，仍旧会进行下载,这是因为他没有找到你的pt文件路径

可以找到ultralytics\utils\checks.py，定位到check_amp的amp_allclose

将YOLO("yolo11n.pt")里的路径改为你下载的pt文件的路径，即可完成amp检查

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

那就是我了

关注关注

7
点赞
踩
9

收藏

觉得还不错? 一键收藏
5
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

yolov11源码+yolov11n、s、m.pt文件整合8.3.20版本

10-27

ultralytics yolov11 8.3.20版本，源码+yolov11n、s、m.pt文件整合，适合外网访问不了的使用

ultralytics-yolov11官方所有n和s号的pt模型文件

10-02

yolov11官方所有n和s号的pt模型文件，包含 yolo11n-cls.pt yolo11n-obb.pt yolo11n-pose.pt yolo11n-seg.pt yolo11n.pt yolo11s-cls.pt yolo11s-obb.pt yolo11s-pose.pt yolo11s-seg.pt yolo11s.pt

5 条评论您还未登录，请先登录后发表或查看评论

在使用YOLOv8训练数据集，在执行文件过程中却下载YOLOv11

最新发布

jklxz的博客

04-24

348

在给数据集做训练时想使用yolov8n.pt，但是在执行训练程序时却发现程序在自动下载yolov11的预训练模型，无论去怎么查看修改文件内容都失败，哪怕是我把yolov8n.pt放在执行目录下面，甚至在指令中使用 ./ 去强制指定文件都不可以。在ultralytics版本较高时（如8.3.0甚至更高），在执行训练程序时候会自动下载yolov11的预训练脚本。因此，要想成功下载yolov8的预训练模型或者使用本地目录下的yolov8预训练模型，就需要对ultralytics进行将版本操作。

YOLOv11 目标检测

Sisphusssss的博客

03-14

2019

本文章不再赘述anaconda的下载以及虚拟环境的配置，博主使用的python版本为3.8。

【目标检测】YOLOV8实战入门（三）模型训练

qq_43456016的博客

04-30

2489

YOLOv8模型的训练设置是指用于在数据集上训练模型的各种超参数和配置。这些设置会影响模型的性能、速度和准确性。一些YOLOv8的常见训练设置包括批量大小、学习率、动量和权重衰减。其他可能影响训练过程的因素包括优化器的选择、loss函数的选择以及训练集的大小和组成。在此模式下，使用指定的数据集和超参数训练模型。训练过程涉及优化模型的参数，以便它可以准确预测图像中对象的类别和位置。：YOLOv8数据集，如COCO、VOC、ImageNet和许多其他数据集在首次使用时自动下载，即。

YOLO11训练自己的数据集（吸烟、跌倒行为检测）

FriendshipTang的博客

10-09

2865

Python、PyTorch、YOLO11、吸烟、跌倒行为检测、详细教程

YOLOV11 训练自己的数据集

m0_52553219的博客

10-10

3172

Ultralytics YOLO11 是一款尖端的先进（SOTA）型号，是最新的实时目标检测器，它建立在以前 YOLO 版本的成功基础上，并引入了新功能和改进，以进一步提高性能和灵活性。YOLO11 旨在快速、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。②在设置中找到“python解释器”，在右侧点击“添加解释器”，在点击“conda环境”，选择“yolov11”，即可。(注：官网提示python>=3.8)能成功运行，表示成功！6、训练自己的数据集。

配置YOLO11环境

luviu的博客

01-04

1667

下载完成yolo11源码之后解压到D盘或其它盘文件夹内，此时点击鼠标右键文件夹通过pycharm打开，打开后需要配置虚拟环境，新版pycharm可选中文语言，点击文件-设置，点击项目：ultralytics-8.3.20，点击python解释器，点击右边添加解释器-添加本地解释器，进入Anaconda prompt，默认进入的是base环境，base环境的版本与下载的anaconda3版本有关，因此不建议直接使用，需要新建环境，在新建环境之前建议更改默认的pip源和conda源可加速下载速度。

yolov11检测任务训练

Pando084的博客

10-13

1683

环境创建：我们使用 Conda 创建隔离的环境，并安装了 PyTorch 和 YOLO 所需的包。数据集准备：我们整理了数据集的结构并创建了xxx.yaml文件。训练模型：我们使用 YOLO 的训练命令运行了训练过程。测试模型：测试完成后，我们通过预测命令验证了模型的性能。

Tensorrt推理Yolov5

qq_49595983的博客

05-21

642

【代码】Cpp使用Tensorrt推理Yolov5。

10-06

10-25

11-20

从github下载的yolov11模型权重文件。从git下载这些文件，速度太慢了，还经常断了又得重新下载。笔者将已下载好的文件整理打包，分享出来，方便大家快捷下载和使用。 https://github.com/ultralytics/ultralytics?tab=readme-ov-file 压缩包内文件列表包括： yolo11n.pt yolo11s.pt yolo11m.pt yolo11l.pt yolo11x.pt

yolo11预训练模型

11-09

内含yolo11l.pt、yolo11m.pt、yolo11n.pt、yolo11x.pt、yolo11s.pt

03 yolo数据集下载及预训练数据集（包含pytorch、cuda、cudnn、显卡驱动的匹配）测试训练后的模型

水滴爬呀爬

03-10

1477

我们这里使用的是YOLO11n，是参数最少的一个模型，所以速度会比较快，数据集的下载，预训练、测试效果。

Yolov7-tiny如何指定某个权重继续断点训练，并且训练到指定轮数

孟孟单单的博客

03-07

1025

接着就出现以下的打印台，起始的epoch数和最终的epoch数已经变为设定值，训练完后就会得到。（以epoch、best开头的都可以），假设找到了。权重，就将他拷贝到新的文件夹下去，也就是刚刚新建的。，使用下面的命令拷贝之后的路径就变成了。（不过可能会由于训练中没有比。好的权重，所以就不会生成。下图就是已经重写了的。

YOLO图像识别训练参数

q568213372的博客

01-04

1571

YOLOv8训练心得及相关的参数及过程优化笔记

YOLOv11来了，使用YOLOv11训练自己的数据集和推理(附YOLOv11网络结构图)

10-02

16万+

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。

使用YOLO v10x训练BDD100K数据集

qq_33037487的博客

07-30

3394

最近要参加一个比赛，比赛是做图像识别的，比赛提供了部分BDD100K数据集，每个图片是1280*720的交通图片，每个标签中带有物体类别、物体左上锚点、物体右下锚点，如下：比赛提供的标签数据有9种目标，如下：比赛前的培训课程上，官方演示了使用YOLO V5模型训练了部分数据，因此我准备使用更高版本的YOLO V10模型训练完整的BDD100K数据集。

yolov11中的yolov11n.pt是什么

04-03

### 关于 YOLOv11 中 `yolov11n.pt` 文件的作用 `yolov11n.pt` 是 YOLOv11 预训练模型的一个具体版本，其中 `.pt` 表示 PyTorch 的模型权重文件格式。该文件包含了经过大量数据集训练后的网络参数，可以直接用于目标检测任务中的推理、微调或进一步训练。 #### 1. **预训练权重的意义** 预训练权重文件（如 `yolov11n.pt`）通常是在大规模公开数据集上训练得到的结果。这些权重能够提供一个良好的初始化起点，从而减少从零开始训练的时间成本和计算资源需求[^1]。对于新的自定义数据集，可以通过迁移学习的方式利用这些预训练权重来快速适配特定场景下的目标检测任务。 #### 2. **`.pt` 文件的内容结构** PyTorch 的 `.pt` 文件本质上是一个序列化的 Python 对象，存储了神经网络的架构信息以及对应的权重参数。以下是其主要组成部分： - **模型架构**: 定义了神经网络的具体层结构及其连接方式。 - **权重参数**: 记录了每一层可学习参数的最佳值，这是通过优化算法迭代得出的结果。 - **元数据**: 可能包括一些额外的信息，比如训练时使用的超参数配置、损失函数类型等。在实际操作中，加载此文件后即可恢复整个模型的状态以便继续训练或者执行预测功能[^4]。 #### 3. **自动混合精度支持** 值得注意的是，在现代深度学习框架下运行此类模型时往往会启用自动混合精度(Automatic Mixed Precision, AMP)，它能够在不牺牲准确率的前提下显著提升GPU利用率并缩短训练时间[^3]。因此即使面对较大的 `.pt` 文件大小也无需担心效率问题，因为硬件加速技术已经很好地解决了这一挑战。 ```python import torch # 加载 yolov11n.pt 模型 model = torch.hub.load('ultralytics/yolov5', 'custom', path='ultralytics/weights/yolov11n.pt') # 执行推理测试 results = model(imgs) # imgs can be a string or numpy array representing an image print(results.pandas().xyxy[0]) # 输出检测框坐标和其他属性 ``` 上述代码片段展示了如何基于已有的 `yolov11n.pt` 来实例化一个完整的YOLOv11对象探测器，并对其进行简单的图像输入处理演示[^2]。 --- ###