约洛没有开始训练

Question

我正在尝试在自定义数据集上训练 Yolo，一切似乎都在工作而没有错误，但它只是没有训练。

我按照 https://github.com/AlexeyAB/darknet 上的教程操作了两次，但我得到了相同的结果

./darknet detector train data/obj.data cfg/yolo-obj.cfg yolov4.conv.137
[yolo] params: iou loss: ciou (4), iou_norm: 0.07, cls_norm: 1.00, scale_x_y: 1.05
nms_kind: greedynms (1), beta = 0.600000 
Total BFLOPS 59.563 
avg_outputs = 489778 
Loading weights from yolov4.conv.137...
seen 64, trained: 0 K-images (0 Kilo-batches_64) 
Done! Loaded 137 layers from weights-file 
Learning Rate: 0.001, Momentum: 0.949, Decay: 0.0005
Resizing, random_coef = 1.40 
608 x 608 
Create 64 permanent cpu-threads 
mosaic=1 - compile Darknet with OpenCV for using mosaic=1 

我也尝试过没有预先训练的重量，但这也没有开始训练过程

./darknet detector train data/obj.data cfg/yolo-obj.cfg
[yolo] params: iou loss: ciou (4), iou_norm: 0.07, cls_norm: 1.00, scale_x_y: 1.05
nms_kind: greedynms (1), beta = 0.600000 
Total BFLOPS 59.563 
avg_outputs = 489778 
Learning Rate: 0.001, Momentum: 0.949, Decay: 0.0005
Resizing, random_coef = 1.40 
608 x 608 
Create 64 permanent cpu-threads 
mosaic=1 - compile Darknet with OpenCV for using mosaic=1 

我错过了什么？

Answer 1

如果你想使用OpenCV，你需要重新编译Darknet，但首先将make文件更改为以下内容：

OPENCV=1

如果你不需要OpenCV，那就按照@TaQuangTu的要求去做。当您修复此行时，只需再次运行 build.sh 脚本，它应该可以正常工作。

如果您打算使用 GPU 进行训练，我还建议您更改以下行

GPU=1
CUDNN=1
CUDNN_HALF=1 

Answer 2

我的朋友，我现在刚刚解决了这个问题。 我想我已经在这里找到了原因。如果你的训练/测试.txt是空的，这就是原因。您打开"creating-train-and-test-txt-files.py"并对其进行编辑。找到关键字是 jpeg 地方。我们在这里只能找到 2 个 JPEG 单词，您可以将它们编辑为"jpg"并在您的 Google 云端硬盘中替换它。 最后，重新启动合作实验室工作。而且您的培训不会因为"608 x 608 创建 64 个永久 CPU 线程"。

来自中国的良好祝愿。

Answer 3

你是如何安装OpenCV的？

对于简单的修复，您可以尝试此sudo apt install libopencv-dev python3-opencv

还要确保你有cmake，

sudo apt install cmake

这应该在您的系统中安装 opencv 3.2 和 cmake 3.10。然后尝试运行暗网。

最后，更改生成文件，

OPENCV=1

Answer 4

上述错误主要是由于空train.txt和test.txt文件引起的。请检查这两个文件

Answer 5

使用它来启用OpenCV：

$ git clone https://github.com/AlexeyAB/darknet.git
$ cd darknet
$ sed -i 's/OPENCV=0/OPENCV=1/' Makefile

https://github.com/AlexeyAB/darknet/blob/master/Makefile#L4

Answer 6

开始训练时查看资源利用率，并查看 RAM 是否导致资源利用率超过。

如果是这样，请尝试以下解决方案：

[net] 部分中的 CFG 参数：

[网]部分

批次 - 将在一批中预处理的样品数量(图像、字母等(

细分 - 一个批次中的mini_batches数量，大小mini_batch=批次/细分，因此GPU一次处理mini_batch样本，并且批量样本的权重会更新(1次迭代处理批量图像(

参考这一点，我尝试了各种组合min_batch尺寸，例如：

批次=64， 细分=8

"或">

批次=64， 细分=16

等等...

我发现我的colab只为min_batch=2工作 因此，我认为细分是批次的一半，例如：

batch=64
subdivisions=32

"或">

batch=32
subdivisions=16

或任何其他...

当我使用

批次=1， 细分=1