解决Yolov5的RuntimeError: result type Float can‘t be cast to the desired output type long int 问题

kay_545

已于 2024-06-14 12:34:02 修改

阅读量2.9k

点赞数 13

分类专栏： YOLOv5改进 YOLOv5入门 + 改进涨点文章标签：深度学习人工智能 python

于 2023-01-05 22:00:38 首次发布

本文链接：https://blog.csdn.net/m0_67647321/article/details/128570647

版权

YOLOv5入门 + 改进涨点同时被 2 个专栏收录

96 篇文章 102 订阅

订阅专栏

YOLOv5改进

9 篇文章 8 订阅

订阅专栏

出现这个问题的原因是YOLOv5【6.1其他版本没测试】的版本与pytorch不兼容导致的

在yolov5中，直接下载github上的代码可能出现无法运行的情况，会报错

RuntimeError: result type Float can't be cast to the desired output type long int

那么如何解决这个问题呢，下面来告诉你

首先，在yolo的文件夹下找到 yolov5-6.1/utils/loss.py 文件（以6.1版本为例），然后搜索（搜素快捷键CTRL+F） anchors = self.anchors[i] （大约在184行上下），并将其改为 anchors, shape = self.anchors[i], p[i].shape

修改前：

anchors = self.anchors[i]

修改后：

anchors, shape = self.anchors[i], p[i].shape

其次，仍然在该文件搜索【indices.append】（大约在217行上下）

修改前：

indices.append((b, a, gj.clamp_(0, gain[3] - 1), gi.clamp_(0, gain[2] - 1)))  # image, anchor, grid indices

修改后：

indices.append((b, a, gj.clamp_(0, shape[2] - 1), gi.clamp_(0, shape[3] - 1)))  # image, anchor, grid

ok，完美解决，这样就可以跑通啦

快去试试吧

AttributeError: ‘Upsample‘ object has no attribute ‘recompute_scale_factor‘报错解决

报错信息：

AttributeError: 'Upsample' object has no attribute 'recompute_scale_factor'

原因：

Upsample对象没有recompute_scale_factor属性

解决：

找到upsampling.py文件的forward函数，如下：

def forward(self, input: Tensor) -> Tensor:
   return F.interpolate(input, self.size, self.scale_factor, self.mode, self.align_corners,
                      recompute_scale_factor=self.recompute_scale_factor)

将原本的forward函数注释了(别的项目使用可能还要改回去)，改为：

def forward(self, input: Tensor) -> Tensor:
    return F.interpolate(input, self.size, self.scale_factor, self.mode, self.align_corners)

YOLOv5l的结构图

下面是一些关于YOLOv5的简介

YOLOv5 是由 Ultralytics 团队开发的一种目标检测模型，它是对 YOLO（You Only Look Once）系列模型的进一步发展。相较于之前的版本，YOLOv5 在速度、准确性和模型结构等方面都有所改进和优化。

以下是 YOLOv5 的一些主要特点和亮点：

1. 模型结构：YOLOv5 提出了一种新的模型结构，包括 YOLOv5s、YOLOv5m、YOLOv5l 和 YOLOv5x 四个版本，分别对应不同的模型规模和复杂度。这些模型结构都采用了轻量级的设计，旨在在保持较高准确性的同时提高推理速度。

2. 轻量化设计：YOLOv5 的设计注重模型的轻量化和高效性，通过使用轻量级的网络结构和优化技术，使得模型在保持较高检测精度的同时，能够在不同的硬件平台上高效地运行。

3. 改进的训练策略：YOLOv5 提出了一种新的训练策略，包括自适应数据增强（AutoAugment）、MixUp、CutMix 等技术，以提高模型的泛化能力和鲁棒性。

4. 预训练模型：YOLOv5 使用大规模的数据集进行预训练，例如 COCO 数据集，从而能够更好地学习目标的特征和语义信息，提高模型在各种任务和数据集上的适用性。

5. 多任务学习：YOLOv5 支持多任务学习，可以同时检测多个目标类别，并且可以在同一个模型中集成其他任务，例如分割、关键点检测等。

6. 开源代码：YOLOv5 的源代码已经在 GitHub 上开源，提供了完整的模型实现和训练代码，使得研究人员和开发者可以自由地使用、修改和扩展该模型。

总的来说，YOLOv5 是一种高效、准确且易于使用的目标检测模型，适用于各种不同的应用场景，包括实时目标检测、视频分析、自动驾驶、工业检测等。其灵活性和性能优势使得它成为了目标检测领域的一个重要的研究和应用方向。

YOLOv5，一种流行的目标检测算法，通常采用一组损失函数来训练模型。YOLOv5中使用的具体损失函数可能因实现方式和个人用户的修改而有所不同。然而，在YOLOv5中常见的损失函数包括：

1. 置信度损失：该损失函数惩罚模型对目标检测的置信度得分预测不准确。它比较了模型预测的置信度得分（目标存在的概率）与实际置信度得分之间的差异。

2. 定位损失：该损失函数惩罚模型在预测检测到的目标的边界框坐标（x、y、宽度、高度）方面的误差。通常涉及到某种距离度量，如平滑的L1损失或平方的L2损失。

3. 分类损失：对于采用单阶段检测方法的YOLOv5，分类损失通常包含在总损失函数中。它通过比较预测的类别概率与实际类别标签来惩罚目标类别的错误分类。

4. IoU损失：一些YOLOv5的实现可能包括IoU（交并比）损失组件。IoU损失鼓励预测的边界框与实际边界框具有高重叠度（IoU）。

YOLOv5中的总损失函数通常是上述各个损失函数的加权和或组合。每个组件的权重可能根据任务或数据集的特定要求进行调整。此外，可能会使用标签平滑或焦点损失等技术来进一步优化训练过程。

YOLOv5中引入了一种新的边界框回归损失函数，称为CIoU（Complete IoU）损失。CIoU损失考虑了边界框之间的位置、大小和角度等因素，相比于传统的边界框回归损失，CIoU损失更加全面地衡量了两个边界框之间的相似性。

CIoU损失的计算公式如下：

$\text{CIoU Loss} = \text{IoU Loss} + \lambda \times \text{polar-coordinate loss}$

其中， $\text{IoU Loss}$ 是边界框之间的IoU损失，通常使用边界框之间的IoU的衡量差异。

$\text{polar-coordinate loss}$ 是极坐标损失，用于衡量边界框之间的位置和大小差异。它由以下几部分组成：

1. 边界框的中心点距离（Center Distance）：用于衡量两个边界框中心点之间的距离。
2. 边界框的对角线长度之差（Diagonal Length Difference）：用于衡量两个边界框对角线长度之间的差异。
3. 边界框的长宽比差异（Aspect Ratio Difference）：用于衡量两个边界框长宽比之间的差异。
4. 角度差异（Angle Difference）：用于衡量两个边界框的角度之间的差异。

$\lambda$ 是一个权重参数，用于平衡IoU损失和极坐标损失之间的重要性。