YOLOV5跑3D打印数据集遇到的问题

YOLOV5跑自己的数据集遇到的问题

模型和数据集

官网下载代码：ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite (github.com)

数据集：3D打印故障数据集，

地址3Dprinting Dataset and Pre-Trained Model by Additive Manufacturing QA

数据

yolov5训练自己的数据集

修改yaml文件，将data.yaml放入data当中，

在models当中复制一个coco.yaml，修改为名字如3dprint.yaml,里面

nc: 1  # number of classes

在train.oy中修改参数

'--weights', type=str, default=ROOT / 'yolov5s.pt'

'--cfg', type=str, default=r'models\3dprint.yaml'

'--data', type=str, default=ROOT / 'data\data.yaml',

'--epochs', type=int, default=500

数据集修改完成了，但在运行时遇到问题

1、TimeoutError: [WinError 10060] 由于连接方在一段时间后没有正确答复或连接的主机没有反应，连接尝试失败。

这是因为下载Downloading https://ultralytics.com/assets/Arial.ttf to C:\Users\dell\AppData\Roaming\Ultralytics\Arial.ttf...时网络遇到问题

解决办法：直接https://ultralytics.com/assets/Arial.ttf 下载Arial.ttf

 

pip install Arial,tff

2、Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.

错误 #15：正在初始化 libiomp5md.dll，但发现 libiomp5md.dll 已初始化。

解决办法：直接在代码最上面的地方

import os

os.environ['KMP_DUPLICATE_LIB_OK']='True'

3、NotImplementedError: Could not run ‘torchvision::nms‘ with arguments from

torch和torchvison版本不匹配，对应表

查看版本

import torch

import torchvision

print(torch.__version__)

print(torchvision.__version__)

有些人直接用就成功了

 pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 torchaudio===0.9.0 -f https://download.pytorch.org/whl/torch_stable.html -i Simple Index

我删了下，下了删一直不行，最后从根本上解决问题——重装一个环境，用yolov5-6.2中的requirements.txt

终端运行

pip install -r requirements.txt

重新建个虚拟环境

运行日志的含义

Epoch: 当前训练的轮数。

gpu_mem: 当前GPU使用的显存量,这里是 8.05G。

box: 该损失值反映了预测框和真实框在位置和大小上的误差。预测框越接近真实框,该损失值越小。它通过调整网络让预测框更准确地匹配真实框来训练模型。

obj: 该损失值对应每个预测框是否包含一个对象的置信度。模型会区分背景和包含对象的预测框,降低包含对象框的obj损失,提高其置信度。

cls: 该损失值对应每个预测框预测的类别分数。真实框的类别置信度为1,其他为0。模型通过最小化该损失调整每个框的分类预测,进行多类分类。labels: 当前batch中包含的目标框的数量,59。

img_size: 当前训练使用的输入图像分辨率,这里是640x640。

20/20: 表示已经完成当前epoch的20个batch,共20个batch。

00:07: 完成当前epoch的训练耗时,7秒。

2.50it/s: 当前epoch的平均迭代速度,每秒2.5个iter。

Class: 类别名称,这里只有1个类别"fail"。

Images: 这类目标的总图像数量。

Labels: 这类目标的总框的数量。

P: Precision: 精度,预测正类中有多少真正属于正类,即TP/(TP+FP)。反映了预测为正的样本中真正正类样本的比例。

R: Recall: 召回率,真正正类中预测正确的比例,即TP/(TP+FN)。反映模型检测正类的完整性。

mAP@.5: 在IoU大于等于0.5的情况下计算平均精度。IoU反映预测框与真值框的重合程度。该指标考察不同门限下的精度。

mAP@.5:.95: 在IoU从0.5到0.95范围内计算平均精度。通常对象检测取0.5为阈值,这里给出一个范围的mAP作为模型精度的衡量。

all: 表示统计所有类别的结果。