解决YOLOv7训练loss值为nan，P、R、mAP为0的情况

最新推荐文章于 2024-09-14 10:53:03 发布

小琪顺利毕业

最新推荐文章于 2024-09-14 10:53:03 发布

阅读量1.7k

点赞数 5

文章标签： YOLO 目标检测深度学习计算机视觉

本文链接：https://blog.csdn.net/weixin_45992778/article/details/136660815

版权

我是Yolov7可以跑通的，但是再修改了损失函数之后，在训练15-20轮时loss值为nan，P、R、mAP为0。搜了好多教程，只有这一个对我来说有用：
不用修改train.py，在detect.py中将half = device.type != ‘cpu’ 改成half = False 就可以了！！
在这里插入图片描述参考教程

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

小琪顺利毕业

关注关注

5
点赞
踩
10

收藏

觉得还不错? 一键收藏
1
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

汇总利用YOLO8训练遇到的报错和解决方案（包含训练过程中验证阶段报错、精度报错、损失为Nan、不打印GFLOPs）

Snu77的博客

02-22

3388

这也是模型打印两次的区别，第一次打印出来的就是你选择模型的yaml文件结构，第二次打印的就是替换了你数据集的yaml文件，模型使用的是第二种。(2)多卡训练问题,修改模型以后不能支持多卡训练可以尝试下面的两行命令行操作，两个是不同的操作，是代表不同的版本现尝试第一个不行用第二个。这里是我早期写的一个环境搭建的教程，大家可以参考。

yolov7 yolov5 pose姿态对比笔记

jacke121的专栏

11-02

2146

yolov7 yolov5 pose姿态对比笔记

1 条评论您还未登录，请先登录后发表或查看评论

补充：YOLO模型训练时loss出现nan值或者测试时P\R\map全部为0值的解决办法（GTX16xx系列显卡）

lwx的博客

07-29

4865

YOLO系列训练时出现loss出现nan值或者测试时P\R\map全部为0值的解决办法补充

YOLO系列训练时出现loss出现nan值或者测试时P\R\map全部为0值的解决办法（GTX16xx系列显卡大坑）

最新发布

weixin_61623830的博客

09-14

1509

时选择的路径）4.查看系统变量中的Path是否有v12.2\bin，若没有则添加正确路径；若错误则修改成正确路径（路径为。

YOLO中LOSS函数的计算

北溟客的博客

06-06

5593

YOLO中LOSS函数的计算代码解读无目标位置confidence的delta：0 - l.output[obj_index]有目标位置confidence的delta：1 - l.output[obj_index]有目标位置坐标（x,y,w,h）的delta有目标位置class的delta代码分析和公式差异二分类交叉熵求梯度关于参数关于YOLO中LOSS函数的文章很多，GaintPanda大神最近连写三篇，这里还是从代码分析的角度再班门弄斧一下。 LOSS函数在反向传播的时候，已经分解成l.delta按

yolov7训练时出现损失为nan的解决方案

XIANGTAIYANGA的博客

04-08

706

另外一种解决方案，报错中第一句提到一个文件：libiomp5md.dll，这个文件可以在虚拟环境文件目录下搜索，会有两个结果，其中一个存在于（我的虚拟环境为yolov7）如下图所示，另一个不用管。即在train.py文件的最开始加上上述两句语句，可以解决报错，即开始训练，但是所有的损失值均为nan，报错中最后也有提示"可能导致崩溃或带来不正确的结果"，因此这种解决方案就不一定正确。在训练yolov7模型时，一直出现损失值为nan的情况，因此将解决方案供大家参考一下。因此，继续寻找解决方案。

yolov8在设置amp=False 之后map 训练依旧为0 解决办法

网络架构

09-16

5526

找到torch_utils.py 修改425行去掉 half()

【YOLO】解决YOLOX训练时AP为0

MangoloD的博客

08-12

1万+

前段时间被YOLOX刷屏了，各个公众号都在强推，号称：性能超Yolov5，吊打一切YOLO 于是，我满怀期待，下载下源码，准备试一试．．．一、问题描述嗯，没错，遇到了一堆bug，不过好在都解决了，最后训练的时候好家伙，AP一直为0，上GIthub上一搜索，看来遇到同样问题的不止我一个而且根据有些答复修改，发现也不对，最后陷入沉思．．．直到昨天群组里偶然有人说他用YOLOX成功还部署了，我就呆了，告诉了他我训练时AP为0，并询问了他具体使用方法，当然得到的答复并没有真正解决问题．．．二、发现问题

yolov8在train时，出现box_loss、cls_loss、dfl_loss为nan，Box(P R mAP50 mAP50-95)为0的解决办法

2301_78783836的博客

07-04

1万+

'cpu' 将self.args.half的值设置为False 后训练yolov8n Box(P R mAP50 mAP50-95)不为0。并注释掉ultralytics/yolo/engine/validator.py 中第102行代码 # self.args.half = self.device.type!分析.half()改为.float()或者把half赋值为False，找到val.py和validator.py。查看self.args.half:的值的结果。

yolov7的loss计算代码详解

guanshanjushi2的专栏

08-03

6849

yolov7详解

YOLOv5s GTX 1660 Ti训练时出现，box，obj，cla全是nan的问题P、R、mAP都是0，Pytorch和cuda、cudnn版本不对

idl1ng的博客

05-04

1296

cudnn版本：8.2.2（或者8.2.4）训练显示box、obj、cls都是nan。pytorch版本：1.9.0。Pytorch版本：1.9.0。Pytorch版本：1.9.0。cudnn版本：8.0.5。cudnn版本：8.2.2。cuda版本：11.1。cuda版本：11.4。cuda版本：10.2。

YOLOV5训练数据集P、R、mAP等均为0的解决方案！！！【速进】

weixin_43249462的博客

03-05

5788

可以识别到label，但是P,R,map这些地方都是0，如果确保数据原图和标签是匹配的，或者上传的文件也不是损坏的，那就有可能是梯度的问题了。如果你的代码跟我的有点不一样，没关系是因为yolov5的作者一直在维护升级代码，找到对应位置把默认的SGD优化器改成Adam就可以啦！yolov5默认使用的是SGD优化器，所以我们要改成Adam优化器，Adam优化器也是yolov5封装好的，很简单。如果你的程序跟我的一样的话，参数是这样的。

YOLO系列训练时出现loss出现nan值或者测试时P\R\map全部为0值

xu96944967的博客

05-05

1689

安装cuda，cuda换为10.2的版本，注意如果已经安装cuda需要选自定义安装，只选择第一项cuda。然后继续安装pytorch cu102版本。把这三个文件夹，里的内容分别放在。解压下再好的cudnn。

YOLOv6跑自己的数据集mAP为0的解决

qq_52060635的博客

12-03

794

【代码】YOLOv6跑自己的数据集mAP为0的解决。

YOLOV5训练时P、R、mAP等值均为0的问题

qq_65356682的博客

04-06

9688

需要注意的是，P、R、mAP等指标为0并不一定意味着模型无效。训练时间太短：如果训练时间太短，则模型可能没有足够的时间来收敛到最佳状态。模型过于简单：如果模型过于简单，则很难从样本中学习到有效的特征。考虑增加网络的深度和宽度，或使用更复杂的网络结构。预处理步骤出现问题：确保数据预处理流程正确，例如确保使用正确的缩放方式和颜色空间转换，以及应用正确的数据增强策略。学习率过高或过低：首先尝试将学习率降低到一个更合适的水平，并考虑使用学习率调度程序来优化训练过程。

跑yolov5又出啥问题了（1）p，r，map全部为0

weixin_50862344的博客

08-01

7557

来看若智人（我）了

YOLOv5训练时出现loss出现nan值或者测试时P\R\map全部为0

Z924471842的博客

02-26

1258

用GPU训练YOLOv5时mAp值为0的解决方法

yolov8 box_loss cls_loss dfl_loss nan

08-14

YOLOv8是一种基于深度学习的目标检测算法的改进版本，它采用了一种称为“YOLO”(You Only Look Once)的实时物体检测框架。在损失函数设计上，YOLOv8通常包含三个主要部分： 1. **box_loss (边界框损失)**：这是用于训练模型预测目标位置的损失。它衡量的是模型预测的边界框（包括中心点坐标、宽高比例等）与实际目标位置的差异。常见的计算方法有GIoU (Generalized Intersection over Union) 和 IoU (Intersection over Union)，通过减小这两者之间的差距来优化网络。 2. **cls_loss (分类损失)**：这个部分关注的是每个预测区域对应的类别概率。它鼓励模型准确地预测每个预测框对应的实际物体类别，通常使用交叉熵损失(Categorical Cross Entropy)计算分类误差。 3. **dfl_loss (深度特征金字塔损失)**：YOLOv8采用了深度特征金字塔(Depthwise Feature Pyramid)技术，这可能导致额外的loss，比如深度感知损失(Depth Perception Loss)。这个损失帮助模型更好地利用不同尺度的特征信息，提高定位精度。当这些损失中的任何一个值变为NaN（Not a Number），可能是由于数值溢出、分母接近零或其他数学计算错误导致的。解决这种问题的一般步骤包括检查数据预处理、权重初始化是否合理、损失函数参数设置以及是否有异常样本影响。如果持续存在NaN，需要调试代码并排查问题所在。