anaconda中yolov5训练模型的找不到路径解决方案

最新推荐文章于 2025-01-09 22:44:34 发布

✘千辰

最新推荐文章于 2025-01-09 22:44:34 发布

阅读量702

点赞数

文章标签： YOLO python 深度学习

本文链接：https://blog.csdn.net/qq_75102220/article/details/133993876

版权

anaconda中yolov5训练模型的找不到路径解决方案

如图报这个错误

可以将myvoc.yaml文件中的路径改成绝对路径即可

将train和val中的路径改为绝对路径即可

谢谢大家观看

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

✘千辰

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
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

【Debug记录】跑YOLOv5时报错：AssertionError: Image Not Found

Roaddd的博客

12-14

2597

跑YOLOv5时报错：AssertionError: Image Not Found

yolov5 yolov8 yolov10 Ultralytics 奇奇怪怪的错误汇总:【版本兼容，模型训练，数据加载，模型加速】

shiter编写程序的艺术

09-20

2054

用起来这么火的库，问题这么多么？

参与评论您还未登录，请先登录后发表或查看评论

学习经验分享之三：YOLOv5训练数据集路径索引

m0_70388905的博客

07-08

2603

问题：有不少刚学YOLOv5算法的朋友，不知道如何更好的用自己的数据集进行训练，用官方默认的方法，改进项目或者运行其他的项目，需要将整个数据集重复复制到新项目中，数据集小还好，但是如果数据集过大将会造成较大的数据冗余。今天就更新一下我的方法，可以将项目和数据集进行分割开来，这样能比较灵活。......

yolov8训练自己数据集遇到找不到yaml中路径问题

热门推荐

lbwjjj的博客

10-17

2万+

用yolov8训练自己数据集，一切准备就绪后出现下面问题。

执行conda activate 环境时，报错：系统找不到指定路径

qq_39276262的博客

07-27

1万+

说明：使用Anaconda，环境变量均已经设置好。

Yolov5训练问题笔记：训练文件路径不对，找不到，问题解决

m0_50317149的博客

07-17

3609

因为我之前已经在我的电脑上跑过yolo了，所以在label文件夹下多了几个以.coach结尾的缓存文件，这个文件会保存你第一次运行时数据集的路径，以后你每次跑都会调用这个缓存路径。\VOCdevkit\images\train\000000.jpg 这个文件找不到，这个文件属于训练文件图片的第一张，说明我路径错了。由于我代码跑的太慢，所以我把代码移到了服务器上跑，报了Image not found错误。发现路径没有问题，检查了半天，甚至重新把项目解压了一遍还是没问题，我一开始是直接打开了我的配置文件。

YOLOv5复现过程出现的问题（关于数据集路径）dataset not found

weixin_43023328的博客

08-16

4275

关于yolov5复现出现的数据集路径问题，dataset not found

运行YOLO算法检测图片时出现“图片不存在的错误”AssertionError: Image Not Found D:\PyCharmProject\yolov5改进\out.jpg

m0_50004939的博客

02-01

4740

运行YOLO算法检测图片时出现“图片不存在的错误”AssertionError: Image Not Found D:\PyCharmProject\yolov5改进\out.jpg

记录自己使用YOLOv8进行模型训练

Keep_your_ear的博客

05-11

3360

使用YOLOv8从下载YOLOv8开始一步一步教你训练自己的数据集，本篇博客只注重实操，不注重原理

使用yolov5训练交通指示牌识别模型

qq_33037487的博客

01-09

1269

从环境搭建开始，训练一个目标检测模型

通过yolov5训练自己的模型中遇到的一些问题及解决办法

weixin_45145550的博客

05-15

9756

引言众所周知，跑深度学习的模型是非常需要好显卡的，虽然我的电脑拥有菜菜的显卡（GeForce 920MX），但也能跑起来。最近尝试着用YOLOV5做小项目，因为我菜菜的显卡，容量是真的不够，期间踩了很多坑，现在分享给大家，希望你遇到的时候可以快速解决问题！问题一：AssertionError: train: No labels in D:\PycharmProjects\yolov5-master\train\image.cache. Can not train without labels. 解决办法

在树莓派5部署yolov5模型

2301_80707725的博客

10-22

4400

由于默认的下载源是在国外，下载或者更新文件的时候，经常会因为超时导致下载失败，所以推荐在下载或者更新之前，先修改下载源为国内的镜像，这里以阿里云镜像为例。默认的pt模型在模型在树莓派上检测速度会比较慢，为了提高检测的效率，一般把pt模型，转为onnx格式，因为它在对一些硬件进行了优化，加快检测速度。打开浏览器，输入网址下载对应的版本：https://docs.anaconda.com/miniconda/由于默认的下载镜像是在国外，下载包的时候会比较慢，所以一般都需要修改下载源，以此来提供下载速度。

YOLOV5训练时报错显示Image Not Found

cicy5219的博客

06-08

1224

但是我认为不是中英文的问题，只是需要修改一下的问题，在当前编码格式下重新修改名字。因为之前我一直用的是中文的，并没有问题，只是因为修改了整个系统的编码环境，所以原来的字符就不认识了或者YOLOv5在搜索路径的时候乱码了。第二天早上，我突然想起一个问题这些天我的电脑的编码设置更改了一下（国外买的电脑），也就是在语言和区域里，将地区改成了中国（原本是美国），然后将beta utf-8的勾选取消了，因为对于中文软件或者文件偶尔会有乱码。我试着将原本的中文数据集目录名改成了英文，真就好了。以上仅是记录，写得潦草。

conda activate找不到指定的路径

f2595001965的博客

01-01

5043

Profilelist下有几个文件夹,依次点击,并在右侧找名称为 ProfileImagePath 的键且它的数据是原中文名路径(C:\Users\想哭的中文名)干净卸载Anaconda：https://blog.csdn.net/PERSIST_ZHANG/article/details/126446409。注意是 mklink (空格) /j (空格) C:\Users\英文名 (空格) C:\Users\中文名。输入 mklink /j C:\Users\英文名 C:\Users\中文名后回车.

Could not find conda environment:

lixueximatlab的博客

10-14

3543

解决“Could not find conda environment:” 使用代码激活自己的环境 conda activate your_environment 结果显示：使用代码： conda info --envs 显示所有已创建的环境及其路径，找到自己需要激活的环境，复制地址，使用代码直接激活路径上的环境 conda activate 你的环境路径/你的环境名称就可以完成激活 ...

win10系统运行yolov5出现[WinError 3]系统找不到指定的路径。: ‘\\tmp\\Ultralytics‘

qq_42711375的博客

06-13

3166

1.确定工程没有在中文路径下 2.找到utils/general.py中的user_config_dir函数 3.将函数中的Windows参数改成自己项目的绝对路径如下图改完后运行没什么问题，不确定以后会不会出问题，出问题的话再更新帖子。问题原因：应该是C盘中没有“user”文件夹，而是中文的“用户”文件夹，导致报错。...

YOLOv8训练时，容易出现模型路径和数据路径找不着的问题。比如C:\Users\aoqia\Desktop\ultralytics-main\yolov8n.yaml

weixin_43501408的博客

04-16

3163

YOLOv8训练时，容易出现模型路径和数据路径找不着的问题。比如C:\Users\aoqia\Desktop\ultralytics-main\yolov8n.yaml。在训练文件中，尽量路径指向单一，如图1所示。并且在default.yaml中使用绝对路径，如图2所示。

Could not find conda environment（有，但是没找到）

m0_60989428的博客

07-24

2031

出现在使用远程服务器，多用户的情况下，并想用其他用户下的环境。这样，使用1中的命令就可以找到对应的环境。1.使用以下三个命令均没有找到。在激活到相应的环境就可以了。

用新电脑（ubuntu）跑yolov5出现了奇怪的路径

m0_58348465的博客

01-02

467

问题描述笔者用新装的电脑调试自己之前修改的yolov5代码。我的ubuntu是装在E盘的，数据集也在E盘，但在载入数据集时却报如下错。 AssertionError: Image Not Found C:\Users\Administrator\Documents\Tencent Files\1016598572\FileRecv\yolov5_robot\yolov5_robot\Pic_2021_11_12_230204_7.jpeg 问题原因经过分析后发现，在载入数据集一次后，会生成.c

yolov8训练模型不同设备torch不匹配

最新发布

03-19

### 关于YOLOv8训练模型时Torch版本冲突的解决方案 当在不同设备上使用YOLOv8进行模型训练时，可能会因为PyTorch版本的不同而导致兼容性问题。以下是针对此问题的具体分析和解决办法： #### PyTorch版本冲突的原因不同的硬件环境可能需要特定版本的PyTorch来支持其计算能力。例如，某些GPU驱动程序仅与特定范围内的PyTorch版本兼容[^2]。如果目标设备上的PyTorch版本低于或高于预期版本，则可能导致加载预训练权重失败或其他运行时错误。 #### 解决方案 为了应对这种跨平台部署中的挑战，可以采取以下措施之一或者组合应用这些策略： 1. **统一开发环境** - 确保所有参与实验的机器都安装相同的大致相近的小版本号数目的pytorch库文件,比如通过conda创建虚拟环境中指定依赖项命令如下所示: ```bash conda create --name yolov8_env python=3.9 pytorch torchvision torchaudio cudatoolkit=11.7 -c pytorch -c nvidia ``` 上述指令会建立一个新的名为`yolov8_env` 的Anaconda 虚拟环境并配置好适合当前NVIDIA 显卡架构的最佳CUDA 工具包以及对应版本的PyTorch 库. 2. **转换模型格式** - 如果无法更改远程服务器现有的软件栈设置，那么另一种可行的办法就是先利用原始框架导出通用中间表示形式(onnx)，然后再将其导入到另一端重新构建网络层定义。下面展示如何把已有的`.pt` 文件转化为onnx 格式的例子代码片段： ```python import torch.onnx dummy_input = torch.randn(10, 3, 224, 224) model.eval() # Set the model to inference mode. output = model(dummy_input) # Forward pass with random data as input. dynamic_axes={'input': {0:'batch_size'},'output':{0:'batch_size'}} torch.onnx.export( model, dummy_input, "model.onnx", export_params=True, opset_version=11, do_constant_folding=True, input_names=['input'], output_names=['output'], dynamic_axes=dynamic_axes ) ``` 3. **调整模型参数序列化方式** - 另外一种方法涉及到了自定义保存机制，在这个过程中只保留必要的状态字典而不附加额外的信息进去。这样即使底层实现有所变化也依旧能正常恢复先前学到的知识点。修改后的存储逻辑如下所示： ```python state = { 'epoch': epoch_num, 'state_dict': net.state_dict(), 'optimizer': optimizer.state_dict() } torch.save(state,'checkpoint.pth.tar') ``` 当读取该存档的时候只需要提取其中的关键部分即可完成初始化工作而无需关心其他细节差异之处。 ```python checkpoint = torch.load('checkpoint.pth.tar', map_location=device) start_epoch = checkpoint['epoch'] model.load_state_dict(checkpoint['state_dict']) optimizer.load_state_dict(checkpoint['optimizer']) ``` 以上三种途径都可以有效缓解由于多台计算机之间存在的潜在分歧所引发的一系列麻烦状况。具体选择哪条路径取决于实际应用场景下的约束条件和个人偏好等因素综合考量之后再做决定最为合适不过了。