深度学习之YOLOV10训练自己的数据集二之训练前检查篇(5)

 前面这篇博客写了训练数据集的基本准备操作：

深度学习之YOLOV10训练自己的数据集一(4)-CSDN博客

在实际训练过程中，问题还是很多的，我忽略了输入一个显示训练时间的指令，所以我也不知道训练到哪一轮，而且在训练时出现了很多大量的 False 值，并且在训练过程中没有实时模型训练进度输出显示。

在检查之前可以先把先前训练过的数据删除，在runs文件夹里面，可以根据生成日期去查找缓存文件。

 一、在训练前检查配置环境

1.检查数据集标签

 确保标签文件中的类别编号从 0 开始，而不是 1 或其他值。可以使用以下脚本遍历所有标签文件，检查并修正类别编号：

import os

def check_and_fix_labels(root_dir):
    for root, _, files in os.walk(root_dir):
        for file in files:
            if file.endswith('.txt'):
                file_path = os.path.join(root, file)
                with open(file_path, 'r') as f:
                    lines = f.readlines()
                
                new_lines = []
                for line in lines:
                    parts = line.strip().split()
                    if len(parts) > 0:
                        class_id = int(parts[0])
                        if class_id > 0:
                            class_id -= 1
                        parts[0] = str(class_id)
                        new_lines.append(' '.join(parts))
                
                with open(file_path, 'w') as f:
                    f.write('\n'.join(new_lines) + '\n')

# 运行脚本，修正标签文件
check_and_fix_labels('/path/to/labels')

2.检查配置文件

 确保 data.yaml 和 yolov10n.yaml 中的类别数配置正确。

 data.yaml 文件示例：

train: /path/to/train/images
val: /path/to/val/images
nc: 1  # 根据你的数据集调整
names: ['class_name']  # 根据你的数据集调整

yolov10n.yaml 文件示例：

nc: 1  # 根据你的数据集调整
...

 3.检查硬件问题

确保系统有足够的内存和硬盘空间。如果使用 GPU，确保 GPU 驱动和 CUDA 环境配置正确。

（1） 检查 NVIDIA 驱动程序

 首先，确保你安装了 nvidia-smi 工具。你可以通过以下命令检查 NVIDIA 驱动程序的版本和 GPU 使用情况：

nvidia-smi

 运行该命令后，你应该能看到类似如下的信息：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 460.32.03    Driver Version: 460.32.03    CUDA Version: 11.2     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  GeForce GTX 1080    Off  | 00000000:01:00.0  On |                  N/A |
|  0%   32C    P8     8W / 180W |    430MiB /  8116MiB |      0%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+

(yolov10)**@**-Tower-Workstation:~$ nvidia-smi

NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver. Make sure that the latest NVIDIA driver is installed and running.

nvidia-smi 命令输出的错误信息说明你的系统无法与 NVIDIA 驱动程序通信。这通常意味着 NVIDIA 驱动程序未正确安装或未正确运行。要解决这个问题，请按照以下步骤检查和修复 NVIDIA 驱动程序的安装。电脑上还有一些老版本的环境，不太敢随便换nvidia的版本。

(yolov10) ***-Tower-Workstation:~$ python -c "import torch; print(torch.cuda.is_available())"

False

 返回了 False，这表明 PyTorch 无法检测到 GPU。

首先，确保你的 NVIDIA 驱动程序已经正确安装，并且 CUDA 驱动程序也在运行。你可以使用以下命令检查 NVIDIA 驱动程序的状态：

sudo systemctl status nvidia

 Loaded: not-found (Reason: No such file or directory) Active: inactive (dead)

 从输出结果来看，nvidia 服务没有找到，这表明 NVIDIA 驱动程序可能没有正确安装或没有启动。接下来，我们需要重新安装 NVIDIA 驱动程序并确保其正确配置。

• 确保系统包和依赖项是最新的：

sudo apt-get update
sudo apt-get upgrade

 第二步执行比较费时间。

如果没有找到NVIDIA版本的，就需要重新下载了。我环境中使用的是cuda-11.8，需要高版本的驱动程序，电脑上的版本只到384，带动不了程序运行。

详细操作可以参考这篇：深度学习之NVIDIA驱动程序550的手动安装和配置-CSDN博客

 （2）检查 CUDA 版本

为了运行深度学习任务，CUDA 驱动也是必需的。你可以使用以下命令检查安装的 CUDA 版本：

nvcc --version

 你应该能看到类似如下的信息：

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2020 NVIDIA Corporation
Built on Fri_Sep_11_22:25:59_PDT_2020
Cuda compilation tools, release 11.2, V11.2.152
Build cuda_11.2.r11.2/compiler.2919052_0

 （3）检查 PyTorch 是否检测到 GPU

你还可以使用 PyTorch 检查是否能够检测到 GPU，并确认 CUDA 是否可用。运行以下 Python 脚本：

import torch
print("CUDA available:", torch.cuda.is_available())
print("CUDA device count:", torch.cuda.device_count())
print("CUDA device name:", torch.cuda.get_device_name(0))

 如果安装正确，你应该能看到类似如下的信息：

CUDA available: True
CUDA device count: 1
CUDA device name: GeForce GTX 1080