YOLOv3新增1个分类，但EVAL出现nan的异常：EVAL: Class 10: Recall: nan, Precision: 0.0000, AP: nan

最新推荐文章于 2024-08-01 17:05:38 发布
最新推荐文章于 2024-08-01 17:05:38 发布
阅读量1.3k 收藏
点赞数 1
分类专栏： python ubuntu
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wukai0909/article/details/100390167
版权
在YOLOv3模型训练中，增加一个分类后，EVAL阶段遇到问题，Class 10的Recall和Precision均为nan，AP也显示为nan。原因可能是验证集中包含了训练集数据，导致评估结果异常。解决方案是确保训练集和验证集数据互不重叠。
摘要由CSDN通过智能技术生成

Recall值, AP值，是从val文件（验证集文件）读取验证数据，所以在训练的是时候，不仅要把“新增的1个分类”验证数据添加到验证集文件，另外要确保 “训练集的数据” 不包含在“验证集的数据中”，否则会出现如下大多数的Class的AP为1的情况。

======> Epoch: 40, global_step: 37227.0, lr: 3e-05 <======
EVAL: Class 0: Recall: 1.0000, Precision: 0.0785, AP: 0.9992
EVAL: Class 1: Recall: 1.0000, Precision: 0.0419, AP: 1.0000
EVAL: Class 2: Recall: 1.0000, Precision: 0.1106, AP: 1.0000
EVAL: Class 3: Recall: 1.0000, Precision: 0.0095, AP: 1.0000
EVAL: Class 4: Recall: 1.0000, Precision: 0.0397, AP: 1.0000
EVAL: Class 5: Recall: 1.0000, Precision: 0.0043, AP: 1.0000
EVAL: Class 6: Recall: 1.0000, Precision: 0.0293, AP: 1.0000
EVAL: Class 7: Recall: 1.0000, Precision: 0.0626, AP: 1.0000
EVAL: Class 8: Recall: 0.9952, Precision: 0.0554, AP: 0.9950
EVAL: Class 9: Recall: 0.9865, Precision: 0.0084, AP: 0.9802
EVAL: Class 10: Recall: nan, Precision: 0.0000, AP: nan
EVAL: Recall: nan, Precison: 0.0347, mAP: nan
EVAL: loss: total: 0.32, xy: 0.04, wh: 0.02, conf: 0.02, class: 0.24

  8%|#########5                                                                                                              | 72/908 [00:12<02:18,  6.02it/s]Epoch: 41, global_step: 37300 | loss: total: 0.33, xy: 0.05, wh: 0.03, conf: 0.03, class: 0.23 | Last batch: rec: 1.000, prec: 0.043 | lr: 3e-05
 19%|######################5                                                                                                | 172/908 [00:28<02:03,  5.94it/s]Epoch: 41, global_step: 37400 | loss: total: 0.33, xy: 0.05, wh: 0.02, conf: 0.03, class: 0.23 | Last batch: rec: 1.000, prec: 0.035 | lr: 3e-05
 30%|###################################6                                                                                   | 272/908 [00:45<01:45,  6.01it/s]Epoch: 41, global_step: 37500 | loss: total: 0.34, xy: 0.05, wh: 0.03, conf: 0.03, class: 0.24 | Last batch: rec: 1.000, prec: 0.030 | lr: 3e-05
 41%|################################################7                                                                      | 372/908 [01:02<01:29,  5.96it/s]Epoch: 41, global_step: 37600 | loss: total: 0.34, xy: 0.05, wh: 0.03, conf: 0.03, class: 0.24 | Last batch: rec: 1.000, prec: 0.022 | lr: 3e-05
 52%|#############################################################8                                                         | 472/908 [01:18<01:12,  6.04it/s]Epoch: 41, global_step: 37700 | loss: total: 0.34, xy: 0.05, wh: 0.03, conf: 0.03, class: 0.24 | Last batch: rec: 1.000, prec: 0.036 | lr: 3e-05
 63%|##########################################################################9                                            | 572/908 [01:35<00:55,  6.01it/s]Epoch: 41, global_step: 37800 | loss: total: 0.34, xy: 0.05, wh: 0.03, conf: 0.03, class: 0.24 | Last batch: rec: 1.000, prec: 0.030 | lr: 3e-05
 74%|########################################################################################                               | 672/908 [01:52<00:39,  6.03it/s]Epoch: 41, global_step: 37900 | loss: total: 0.33, xy: 0.05, wh: 0.03, conf: 0.03, class: 0.23 | Last batch: rec: 1.000, prec: 0.057 | lr: 3e-05
 85%|#####################################################################################################1                 | 772/908 [02:08<00:22,  5.92it/s]Epoch: 41, global_step: 38000 | loss: total: 0.33, xy: 0.05, wh: 0.03, conf: 0.03, class: 0.23 | Last batch: rec: 1.000, prec: 0.047 | lr: 3e-05
 96%|##################################################################################################################2    | 872/908 [02:25<00:05,  6.02it/s]Epoch: 41, global_step: 38100 | loss: total: 0.33, xy: 0.05, wh: 0.03, conf: 0.03, class: 0.23 | Last batch: rec: 1.000, prec: 0.037 | lr: 3e-05
100%|#######################################################################################################################| 908/908 [02:31<00:00,  6.27it/s]
  7%|########4                                                                                                               | 64/908 [00:10<02:21,  5.97it/s]Epoch: 42, global_step: 38200 | loss: total: 0.34, xy: 0.05, wh: 0.03, conf: 0.03, class: 0.24 | Last batch: rec: 1.000, prec: 0.029 | lr: 3e-05
 18%|#####################4                                                                                                 | 164/908 [00:27<02:04,  5.96it/s]Epoch: 42, global_step: 38300 | loss: total: 0.34, xy: 0.05, wh: 0.03, conf: 0.03, class: 0.24 | Last batch: rec: 1.000, prec: 0.034 | lr: 3e-05
 29%|##################################5                                                                                    | 264/908 [00:44<01:47,  5.98it/s]Epoch: 42, global_step: 38400 | loss: total: 0.34, xy: 0.05, wh: 0.03, conf: 0.03, class: 0.24 | Last batch: rec: 1.000, prec: 0.016 | lr: 3e-05
 40%|###############################################7                                                                       | 364/908 [01:00<01:30,  5.99it/s]Epoch: 42, global_step: 38500 | loss: total: 0.34, xy: 0.05, wh: 0.03, conf: 0.03, class: 0.24 | Last batch: rec: 1.000, prec: 0.032 | lr: 3e-05
 51%|############################################################8                                                          | 464/908 [01:17<01:13,  6.05it/s]Epoch: 42, global_step: 38600 | loss: total: 0.34, xy: 0.05, wh: 0.03, conf: 0.03, class: 0.24 | Last batch: rec: 1.000, prec: 0.037 | lr: 3e-05
 62%|#########################################################################9                                             | 564/908 [01:34<00:57,  6.00it/s]Epoch: 42, global_step: 38700 | loss: total: 0.34, xy: 0.05, wh: 0.03, conf: 0.03, class: 0.24 | Last batch: rec: 1.000, prec: 0.038 | lr: 3e-05
 73%|#######################################################################################                                | 664/908 [01:50<00:40,  5.95it/s]Epoch: 42, global_step: 38800 | loss: total: 0.33, xy: 0.05, wh: 0.03, conf: 0.03, class: 0.23 | Last batch: rec: 1.000, prec: 0.037 | lr: 3e-05
 84%|####################################################################################################1                  | 764/908 [02:07<00:24,  6.00it/s]Epoch: 42, global_step: 38900 | loss: total: 0.33, xy: 0.05, wh: 0.03, conf: 0.03, class: 0.23 | Last batch: rec: 1.000, prec: 0.035 | lr: 3e-05
 95%|#################################################################################################################2     | 864/908 [02:24<00:07,  6.02it/s]Epoch: 42, global_step: 39000 | loss: total: 0.33, xy: 0.05, wh: 0.03, conf: 0.03, class: 0.23 | Last batch: rec: 1.000, prec: 0.033 | lr: 3e-05
100%|#######################################################################################################################| 908/908 [02:31<00:00,  6.22it/s]
100%|#######################################################################################################################| 870/870 [00:28<00:00, 30.84it/s]
======> Epoch: 42, global_step: 390
最低0.47元/天 解锁文章
Renaissance5K
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
yolov8权重文件：分类+检测的n、s、m、l、x五个权重文件
06-16
YOLOv8是一种先进的目标检测模型，其全称为"You Only Look Once"的第八个版本。该模型在计算机视觉领域有着广泛的应用，特别是在实时物体检测、图像分类和视频分析上。YOLO系列以其快速的检测速度和相对较高的精度而...
COCO评价指标
静谧、淡雅
01-10 1264
COCO： https://cocodataset.org/#detections-eval 上图中出现-1的情况，初始值为-1。 模型检测不出中小目标或者没有中小目标，都可能出现上述情况。????
Python使用eval强制转换字符串为字典时报错：File “＜string＞“, line 1, in ＜module＞ NameError: name ‘nan‘ is not defined
热门推荐
Ghjkku的博客
03-14 13万+
文本中保存的内容为： { 'QQQ': [0.067, 0.167, 0.2, 0.033, 0.233, 0.267, 0.1, 0.133], 'TTT': [0.5, 0.375, 0.25, 0.3, 0.6, 0.333, 0.857, 0.636, 0.667, 0.556] } 　　　用eval转换为字符串时报错： File "test.py", line 43, in d1 data = eval(infile.readline()) File "&l
yolov3评估模型 detector recall 出现大面积的nan
皮卡丘的博客
10-21 3069
关于detector recall 突然出现大面积的-nan。 原因可能有两种： .没有把源码里面计算recall的list换掉： examples/detection.c中的void validate_detector_recall函数将“ list * plist = get_paths(”yourtrain.txt“)替换成自己的训练或者测试集 yolo源码的detector.c里...
eval函数和isNaN函数
weixin_30741653的博客
08-04 242
（一）eval函数定义：eval() 函数可计算某个字符串，并执行其中的的 JavaScript 代码。 （二）语法：eval(string)string必需。 （三）返回值：通过计算 string 得到的值（如果有的话） （四）说明： 该方法只接受原始字符串作为参数，如果 string 参数不是原始字符串，那么该方法将不作任何改变地返回。因此请不要为 eval() 函数传递 String...
错误specificity:nan
111辄的博客
11-30 264
最近用神经网络做三分类，出现了这个问题，有的时候有有的时候没有。 缘来是因为我做三分类用了二分类代码的评价指标。 我把二分类和三分类的评价指标python粘在这里，需要的朋友自取： #二分类 y_pred = Y_pred y_true = Y_valid tp = np.sum(np.logical_and(np.equal(y_true,1),np.equal(y_pred,1))) fp = np.sum(np.logical_and(np.equal(y_true,0),np.equal(y_pre
Yolov4训练时出现nan值
YANJINING
07-15 1999
Yolov4训练时出现nan值 前一天晚上以为是batchsize设置的太大导致的不稳定，然后调小之后挂了一晚上，第二天早上一看又出现nan，排查了一下代码，发现是txt文件中存在中文导致的，将中文去掉之后恢复正常，再有应该是batchsize越大越稳定，之前的假设不成立。 ...
pytorch:model.train和model.eval用法及区别详解
09-17
在PyTorch中，`model.train()`和`model.eval()`是两个非常关键的方法，它们用于在训练和评估模型时切换不同的运行模式。理解这两者之间的差异对于有效地训练和测试深度学习模型至关重要。 首先，`model.train()`...
pytorch掉坑记录:model.eval的作用说明
09-16
在PyTorch中，`model.eval()` 是一个非常关键的函数，主要用于切换模型的状态，使其进入评估模式。这个函数在训练完成后，当我们需要对模型进行验证或者测试时使用。理解`model.eval()`的作用对于避免一些常见错误至...
fasttext在windows下安装/或者跑出结果为NaN
青冬的博客
04-17 1265
因为fasttext不支持win啊！如果安装成了linux的包，可以创建模型，但不能导入模型到内存中。（真的险恶，不会报错） 请pip安装 pip install fasttext-win 这个包，删除原先fasttext的包。其和fasttext同名 安装.net F6和VS2015 可以完美解决所有C++安装包的问题。（每次模型跑出来，Recall 和P都一样，我怀疑又有问题） ...
JavaScript全局函数【escape()，eval()，isNan()，isFinite()，parseFloat()，parseInt()，unescape()】之eval()
刘牛奶爱喝牛奶
10-29 706
eval() 是JavaScript 七大全局函数之一，它可以直接输出 "1+2+3+4" 这样的字符串的值。 Insert title here var str = "1+2+3+4"; alert(eval(str)); 以上代码段的执行结果：
大模型笔记4 长文本滑动窗口
最新发布
越开源越幸运
08-01 831
滑动窗口例子(提取开始结束点任务) 滑动窗口代码实现 tokenize() 默认添加问题 每个滑窗添加标题和摘要 训练label跨滑窗情况token匹配 Token匹配忽略固定标题摘要 输出结果拼接 根据样本论文标号拼接预测结果 滑窗重复token位置处理
Windows下PP-Tracking多目标跟踪数据训练
シ❤゛甜虾的个人博客
01-14 3400
PP-Tracking之手把手玩转多目标跟踪 - 飞桨AI Studio - 人工智能学习与实训社区PP-Tracking之手把手玩转多目标跟踪 - 飞桨AI Studio - 人工智能学习与实训社区https://aistudio.baidu.com/aistudio/projectdetail/3022582数据下载链接 https://bj.bcebos.com/v1/paddledet/data/mot/demo/MOT16.ziphttps://bj.bcebos.com/v1/paddlede
Meta R-CNN : Towards General Solver for Instance-level Few-shot Learning 自定义数据集训练踩坑
h123900的博客
07-06 781
Meta R-CNN : Towards General Solver for Instance-level Few-shot Learning 自定义数据集训练踩坑
训练过程中Loss突然变为NaN的可能原因与解决
andyL_05的博客
07-27 3万+
训练过程中Loss突然变为NaN的可能原因与解决 深度学习训练过程中，我们依赖模型当前参数训练得到的loss，根据所选择的优化策略，如Adam、SGD等得到参数步进调整值，对参数进行不断的调整，直到模型达到我们的预期。 但在实际训练过程中，有时候会发现loss变为NaN或Inf的情况，导致训练无法正常进行。出现这种情况的原因主要有以下几点： 1. 梯度爆炸 2. 出现除零、对数函数自变量为负值等数学问题 3. 出现坏样本 1. 梯度爆炸 训练过程中由于学习率等超参数设置的不合理，导致优化过程中没有减小los
测试集准确率为NAN
weixin_42076509的博客
04-05 3502
进行模型校验时，模型评估测试集准确率为nan,如下 nan /opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/numpy/core/fromnumeric.py:3118: RuntimeWarning: Mean of empty slice. out=out, **kwargs) /opt/conda/envs...
【小程序】eval被禁，代替方法
Maximus_ckp的博客
10-26 2万+
之前写的计算器小程序昨天发现不好用了 调试下发现竟然报错说eval不能用了：eval is not a function 原来eval方法被小程序禁掉了。解决方法: 引入rpn.js 用里面的 calCommonExp(str)方法代替原来的eval(str)rpn的github: https://github.com/huruji/rpn.js在小程序对应的js中，引入rpn：注意，rpn
Exception in thread "main" javax.script.ScriptException: <eval>:1:7 Expected ; but found class
02-06
具体来说，在第一行第七个位置出现了“class”关键字，但是Java脚本中应该出现分号。这可能是由于你在Java脚本中使用了一个不正确的语法导致的。 为了解决这个问题，你需要检查你的代码，找出错误的地方并修正。你...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值