استكشاف أخطاء YOLO الشائعة وإصلاحها
يتناول هذا الدليل أكثر المشكلات شيوعًا التي قد تواجهها عند العمل باستخدام Ultralytics YOLO26، مصنفةً حسب موضع حدوثها: التثبيت، وتدريب النموذج، والتنبؤ، والنشر. انتقل إلى الفئة المطابقة للخطأ، أو تصفح الأسئلة الشائعة للحصول على إجابات سريعة. يشرح كل بند المشكلة ويقدم حلًا عمليًا يمكنك تطبيقه مباشرة.
شاهد: المشكلات الشائعة في Ultralytics YOLO26 | أخطاء التثبيت ومشكلات تدريب النماذج
المشكلات الشائعة#
أخطاء التثبيت#
قد تحدث أخطاء التثبيت لأسباب مختلفة، مثل عدم توافق الإصدارات أو فقدان الاعتماديات أو إعداد البيئة على نحو غير صحيح. ابدأ بالتحقق مما يلي:
- تستخدم Python 3.8 أو إصداراً أحدث.
- ثبّت إصداراً متوافقاً من PyTorch (1.8 أو أحدث).
- تستخدم بيئة افتراضية لتجنب التعارضات.
- اتبع دليل التثبيت الرسمي خطوة بخطوة.
إضافة إلى ذلك، إليك حلولًا لمشكلات التثبيت الشائعة.
يمكن إصلاح كثير من أخطاء الاستيراد وGPU والتصدير بمجرد التحديث. شغّل pip install -U ultralytics وتأكد من توافق إصداري PyTorch وCUDA قبل البدء في استكشاف الأخطاء وإصلاحها على نحو أعمق.
أخطاء الاستيراد أو مشكلات التبعيات#
إذا واجهت أخطاء عند استيراد YOLO26 أو تعارضات في التبعيات، فجرّب الخطوات التالية:
- تثبيت جديد: قد يحل البدء بتثبيت نظيف المشكلات غير المتوقعة، ولا سيما بعد التحديثات التي تغيّر بنية الحزمة أو وظائفها.
- التحديث بانتظام: استخدم أحدث إصدار من المكتبة، إذ قد لا تكون الإصدارات الأقدم متوافقة مع التحديثات الأخيرة.
- التحقق من التبعيات: تحقق من تثبيت جميع التبعيات المطلوبة على نحو صحيح ومن توافق إصداراتها.
- مراجعة التغييرات: إذا ثبّت إصدارًا أقدم، فارجع إلى الوثائق الرسمية أو سجل التغييرات لفهم أي تغييرات هيكلية جوهرية.
تشغيل YOLO26 على GPU#
إذا واجهت صعوبة في تشغيل YOLO26 على GPU، فجرّب خطوات استكشاف الأخطاء وإصلاحها التالية:
- التحقق من توافق CUDA وتثبيته: تأكد من توافق GPU مع CUDA ومن تثبيت CUDA على نحو صحيح. استخدم الأمر
nvidia-smiللتحقق من حالة GPU من NVIDIA وإصدار CUDA. - تحقق من تكامل PyTorch وCUDA: تأكد من أن PyTorch يستطيع استخدام CUDA من خلال تشغيل
import torch; print(torch.cuda.is_available())في طرفية Python. إذا أعادTrue، فهذا يعني أن PyTorch مُعدّ لاستخدام CUDA. - تفعيل البيئة: تأكد من أنك تعمل في البيئة الصحيحة التي ثُبّتت فيها جميع الحزم اللازمة.
- تحديث الحزم: قد لا تتوافق الحزم القديمة مع GPU. حافظ على تحديثها.
- تهيئة البرنامج: تحقق مما إذا كان الرمز البرمجي يطلب استخدام GPU. يمكنك تعيين الوسيط
deviceعند تشغيل التدريب أو التنبؤ (على سبيل المثال،device=0).
أُسقط دعم بُنى GPU الأقدم من Turing — أي قدرات الحوسبة (SM) الأقل من 7.5، مثل GTX 1080 Ti — في cuDNN 9.11.0. وقد تحتاج إلى إصدار من PyTorch مُجمّع باستخدام إصدار أقدم من CUDA/cuDNN على GPU أقدم. تحقّق من إعدادك باستخدام:
import torch
cap = torch.cuda.get_device_capability(0) if torch.cuda.is_available() else (0, 0)
cudnn = torch.backends.cudnn.version() or 0
ok = "not compatible" if cudnn >= 91100 and (cap[0] < 7 or (cap[0] == 7 and cap[1] < 5)) else "should be ok"
print(f"Compute capability: SM {cap[0]}.{cap[1]}, cuDNN: {cudnn} => {ok}")مشكلات تدريب النموذج#
فيما يلي عرض لمشكلات التدريب الشائعة وحلولها.
التحقق من إعدادات التهيئة#
المشكلة: لست متأكدًا من تطبيق إعدادات التهيئة في الملف .yaml على نحو صحيح أثناء تدريب النموذج.
الحل: توجد إعدادات مجموعة البيانات وإعدادات التدريب في ملفات .yaml مختلفة، وتمرر عبر وسائط مختلفة في model.train(). للتأكد من تطبيق هذه الإعدادات على نحو صحيح، اتبع الخطوات التالية:
-
تأكد من صحة مسارات ملفات
.yaml. -
مرّر
.yamlالخاص بمجموعة البيانات (المسارات وأسماء الفئات والتقسيمات) بوصفه وسيطdata، ومرّر.yamlمخصصًا لإعدادات التدريب (مثلepochsأوlr0) بوصفه وسيطcfg. وتكون للوسائط التي تُمرّر مباشرةً إلىmodel.train()الأولوية على كليهما:model.train(data="/path/to/your/data.yaml", cfg="/path/to/your/cfg.yaml", batch=4)
تسريع التدريب باستخدام وحدات GPU متعددة#
المشكلة: التدريب بطيء على GPU واحدة، وتريد تسريع العملية باستخدام وحدات GPU متعددة.
الحل: يمكن أن تؤدي زيادة حجم الدفعة إلى تسريع التدريب، لكن من الضروري مراعاة سعة ذاكرة GPU. لتسريع التدريب باستخدام وحدات GPU متعددة، اتبع الخطوات التالية:
-
تأكد من توفر وحدات GPU متعددة لديك.
-
عيّن الوسيط
deviceإلى قائمة بمؤشرات GPU، مثلdevice=[0,1,2,3]. -
زِد حجم الدفعة بما يتناسب مع الاستفادة الكاملة من وحدات GPU المتعددة دون تجاوز حدود الذاكرة.
-
عدّل أمر التدريب لاستخدام وحدات GPU متعددة:
# عدّل حجم الدفعة والإعدادات الأخرى حسب الحاجة لتحسين سرعة التدريب model.train(data="/path/to/your/data.yaml", batch=32, device=[0, 1, 2, 3])
معلمات المراقبة المستمرة#
المشكلة: تريد معرفة المعلمات التي ينبغي مراقبتها باستمرار أثناء التدريب، إلى جانب الخسارة.
الحل: تُعد الخسارة مقياسًا مهمًا للمراقبة، لكن من الضروري أيضًا تتبع مقاييس أخرى لتحسين أداء النموذج. تشمل المقاييس الأساسية التي ينبغي مراقبتها أثناء التدريب ما يلي:
- الدقة
- الاستدعاء
- متوسط الدقة (mAP)
يمكنك الوصول إلى هذه المقاييس من سجلات التدريب أو باستخدام أدوات مثل TensorBoard أو Weights & Biases لعرضها بصرياً. يساعد الإيقاف المبكر باستخدام وسيطة التدريب patience (والقيمة الافتراضية هي 100 حقبة دون تحسن في التحقق) على تجنب إهدار الحقب وفرط التكيّف.
أدوات تتبع تقدم التدريب#
المشكلة: تبحث عن توصيات بشأن أدوات تتبع تقدم التدريب.
الحل: لتتبع تقدم التدريب وعرضه مرئيًا، يمكنك استخدام الأدوات التالية:
- TensorBoard: يُعد TensorBoard خيارًا شائعًا لعرض مقاييس التدريب، بما في ذلك الخسارة والدقة وغيرها. يمكنك دمجه في عملية تدريب YOLO26.
- Comet: يوفر Comet مجموعة أدوات شاملة لتتبع التجارب ومقارنتها. يتيح لك تتبع المقاييس والمعلمات الفائقة وحتى أوزان النموذج. كما أن دمجه مع نماذج YOLO سهل، ويوفر لك نظرة شاملة على دورة تجربتك.
- منصة Ultralytics: تتعقب منصة Ultralytics عمليات تدريب YOLO إلى جانب مجموعات بياناتك ونماذجك، ما يتيح لك مقارنة المقاييس والتعاون مع فريقك في مكان واحد.
كيفية التحقق من إجراء التدريب على GPU#
المشكلة: قيمة device في سجلات التدريب هي null، ولست متأكداً مما إذا كان التدريب يجري على GPU.
الحل: تعني قيمة device في null عادةً أن عملية التدريب مُعدّة لاختيار GPU متاح تلقائياً، وهو السلوك الافتراضي. للتدريب على GPU محدد، عيّن الوسيطة device عند بدء التدريب. إن device وسيطة تدريب، لذا لن يؤثر تعيينها في .yaml الخاص بمجموعة البيانات:
from ultralytics import YOLO
# تحميل نموذج
model = YOLO("yolo26n.pt")
# استخدم GPU 0؛ device=[0, 1] لوحدات GPU متعددة، وdevice="cpu" لوحدة CPU
model.train(data="path/to/data.yaml", device=0)راقب مجلد runs للاطلاع على السجلات والمقاييس ومتابعة تقدم التدريب بفعالية.
اعتبارات أساسية لتدريب النموذج بفعالية#
ضع ما يلي في الحسبان إذا واجهت مشكلات متعلقة بتدريب النموذج.
تنسيق مجموعة البيانات والتسميات
- الأهمية: يكمن أساس أي نموذج من تعلم الآلة في جودة البيانات التي دُرّب عليها وتنسيقها.
- التوصية: تأكد من التزام مجموعة البيانات المخصصة والتسميات المرتبطة بها بالتنسيق المتوقع. ومن الضروري التحقق من دقة التعليقات التوضيحية وجودتها العالية. قد تؤدي التعليقات التوضيحية غير الصحيحة أو المتدنية الجودة إلى إفساد عملية تعلّم النموذج، ما ينتج عنه سلوك غير متوقع.
تقارب النموذج
- الأهمية: يضمن تحقيق تقارب النموذج أنه تعلّم ما يكفي من بيانات التدريب.
- التوصية: عند تدريب نموذج «من الصفر»، من الضروري التأكد من وصول النموذج إلى مستوى مُرضٍ من التقارب. وقد يتطلب ذلك مدة تدريب أطول وعدداً أكبر من الحقب مقارنةً بعملية الضبط الدقيق لنموذج موجود.
معدل التعلّم وحجم الدفعة
- الأهمية: تحدد هذه المعلمات الفائقة كيفية تحديث النموذج لأوزانه أثناء التدريب.
- التوصية: قيّم بانتظام مدى ملاءمة معدل التعلم وحجم الدفعة المختارين لمجموعة بياناتك المحددة، وفكّر في ضبط المعلمات الفائقة للبحث عن قيم أفضل. فالمعلمات التي لا تتوافق مع خصائص مجموعة البيانات قد تعيق أداء النموذج.
توزيع الفئات
- الأهمية: قد يؤثر توزيع الفئات في مجموعة بياناتك على نزعات النموذج في التنبؤ.
- توصية: قيّم بانتظام توزيع الفئات ضمن مجموعة بياناتك، مثلًا باستخدام برنامج نصي لتدقيق مجموعة البيانات. إذا كان هناك اختلال في توازن الفئات، فهناك خطر أن يتحيز النموذج للفئة الأكثر شيوعًا. وقد يظهر هذا التحيز في مصفوفة الالتباس، حيث قد يتنبأ النموذج في الغالب بالفئة ذات الأغلبية.
التحقق المتبادل من الأوزان المدرّبة مسبقًا
- الأهمية: يمكن أن يوفر الاستفادة من الأوزان المدرّبة مسبقًا نقطة انطلاق قوية لتدريب النموذج، لا سيما عندما تكون البيانات محدودة.
- التوصية: كخطوة تشخيصية، فكّر في تدريب النموذج على البيانات نفسها مع تهيئته باستخدام أوزان مدرّبة مسبقاً. إذا أنتج هذا النهج مصفوفة التباس جيدة التكوين، فقد يشير ذلك إلى أن نموذج «من الصفر» يحتاج إلى مزيد من التدريب أو التعديلات.
المشكلات المتعلقة بتنبؤات النموذج#
فيما يلي عرض للمشكلات الشائعة التي تواجه تنبؤات النموذج وطرق حلها.
الحصول على تنبؤات مربعات الإحاطة باستخدام نموذج YOLO26 المخصص#
المشكلة: عند إجراء تنبؤات باستخدام نموذج YOLO26 مخصص، قد تواجه صعوبات تتعلق بتنسيق إحداثيات مربعات الإحاطة وعرضها.
الحل:
-
تنسيق الإحداثيات: يوفر YOLO26 إحداثيات الصناديق المحيطة بقيم بكسلية مطلقة. لتحويلها إلى إحداثيات نسبية (تتراوح بين 0 و1)، اقسمها على أبعاد الصورة. على سبيل المثال، إذا كان حجم الصورة 640x640:
# تحويل الإحداثيات المطلقة إلى إحداثيات نسبية x1 = x1 / 640 # قسمة إحداثيات x على عرض الصورة x2 = x2 / 640 y1 = y1 / 640 # قسمة إحداثيات y على ارتفاع الصورة y2 = y2 / 640بدلاً من ذلك، استخدم السمتين
boxes.xyxynأوboxes.xywhnلكل نتيجة، إذ تعرضان بالفعل إحداثيات مطبّعة. -
اسم الملف: للحصول على اسم ملف الصورة التي تجري التنبؤ عليها، اقرأ مسار ملف الصورة من السمة
pathلكل كائن نتيجة (مثلresult.path) ضمن حلقة التنبؤ.
تصفية الكائنات في تنبؤات YOLO26#
المشكلة: مواجهة صعوبات في تصفية كائنات محددة فقط وعرضها ضمن نتائج التنبؤ عند تشغيل YOLO26 باستخدام مكتبة Ultralytics.
الحل: لاكتشاف فئات محددة، استخدم الوسيطة classes لتحديد الفئات التي تريد تضمينها في المخرجات. مثلاً، لاكتشاف السيارات فقط (فهرس الفئة 2 في COCO):
yolo segment predict model=yolo26n-seg.pt source='path/to/car.mp4' show=True classes=2فهم مقاييس الدقة في YOLO26#
المشكلة: الالتباس بشأن الفرق بين دقة الصناديق ودقة الأقنعة ودقة مصفوفة الالتباس في YOLO26.
الحل: تقيس دقة الصناديق مدى تطابق الصناديق المحيطة المتوقعة مع الصناديق المحيطة المرجعية الفعلية، ويُستخدم IoU (التقاطع على الاتحاد) مقياسًا لذلك. وتقيّم دقة الأقنعة مدى التوافق بين أقنعة التجزئة المتوقعة والأقنعة المرجعية في تصنيف الكائنات على مستوى البكسل. أما دقة مصفوفة الالتباس، فتركز على الدقة الإجمالية للتصنيف عبر جميع الفئات، ولا تأخذ الدقة الهندسية للتنبؤات في الحسبان. ومن المهم ملاحظة أن الصندوق المحيط قد يكون دقيقًا هندسيًا (إيجابيًا حقيقيًا) حتى لو كان التنبؤ بالفئة خاطئًا، مما يؤدي إلى اختلاف بين دقة الصناديق ودقة مصفوفة الالتباس. وتقيّم هذه المقاييس جوانب متميزة من أداء النموذج، مما يعكس الحاجة إلى مقاييس تقييم مختلفة باختلاف المهام.
استخراج أبعاد الكائنات في YOLO26#
المشكلة: صعوبة استرجاع عرض الكائنات المكتشفة وارتفاعها في YOLO26، خصوصاً عند اكتشاف كائنات متعددة في صورة واحدة.
الحل: لاسترجاع أبعاد مربعات الإحاطة، استخدم أولًا نموذج Ultralytics YOLO26 من أجل التنبؤ بالكائنات في صورة. بعد ذلك، استخرج معلومات العرض والارتفاع لمربعات الإحاطة من نتائج التنبؤ.
from ultralytics import YOLO
# Load a pretrained YOLO26 model
model = YOLO("yolo26n.pt")
# Specify the source image
source = "https://ultralytics.com/images/bus.jpg"
# Make predictions
results = model.predict(source, save=True, imgsz=320, conf=0.25)
# Extract bounding box dimensions
boxes = results[0].boxes.xywh.cpu()
for box in boxes:
x, y, w, h = box
print(f"Width of Box: {w}, Height of Box: {h}")تحديات النشر#
مشكلات نشر GPU#
المشكلة: قد يؤدي نشر النماذج في بيئة متعددة وحدات GPU أحياناً إلى سلوك غير متوقع، مثل استخدام غير مألوف للذاكرة أو نتائج غير متسقة بين وحدات GPU.
الحل: تحقّق من التهيئة الافتراضية لوحدة GPU. فقد تهيئ بعض الأطر، مثل PyTorch، عمليات CUDA على وحدة GPU افتراضية قبل الانتقال إلى وحدات GPU المحددة. لتجاوز التهيئة الافتراضية غير المتوقعة، حدّد وحدة GPU مباشرةً أثناء النشر والتنبؤ. ثم استخدم أدوات لمراقبة استخدام GPU والذاكرة واكتشاف أي حالات شاذة في الوقت الفعلي. وتأكد أيضاً من استخدام أحدث إصدار من الإطار أو المكتبة.
مشكلات تحويل النماذج وتصديرها#
المشكلة: أثناء تحويل نماذج التعلم الآلي أو تصديرها إلى تنسيقات أو منصات مختلفة، قد يواجه المستخدمون أخطاءً أو سلوكيات غير متوقعة.
الحل: راجع التنسيقات المدعومة والخيارات الخاصة بكل تنسيق في وثائق وضع التصدير، ثم اتبع خطوات التحقق التالية:
- التحقق من التوافق: تأكد من استخدام إصدارات متوافقة من المكتبات وأُطر العمل. فقد تؤدي الإصدارات غير المتوافقة إلى أخطاء غير متوقعة أثناء التحويل.
- إعادة ضبط البيئة: إذا كنت تستخدم بيئة تفاعلية مثل Jupyter أو Colab، ففكّر في إعادة تشغيلها بعد إجراء تغييرات أو عمليات تثبيت مهمة. قد تساعد البداية من جديد أحيانًا في حل المشكلات الأساسية.
- الوثائق الرسمية: ارجع دائمًا إلى الوثائق الرسمية للأداة أو المكتبة التي تستخدمها للتحويل. فغالبًا ما تتضمن إرشادات محددة وأفضل الممارسات لتصدير النماذج.
- دعم المجتمع: تحقّق من المستودع الرسمي للمكتبة أو إطار العمل بحثًا عن مشكلات مماثلة أبلغ عنها مستخدمون آخرون. قد يكون القائمون على الصيانة أو أفراد المجتمع قد قدّموا حلولًا أو بدائل عملية في سلاسل النقاش.
- التحديث بانتظام: احرص على استخدام أحدث إصدار من الأداة أو المكتبة. فكثيرًا ما يصدر المطورون تحديثات تصلح أخطاءً معروفة أو تحسّن الوظائف.
- الاختبار التدريجي: قبل إجراء تحويل كامل، اختبر العملية باستخدام نموذج أو مجموعة بيانات أصغر لتحديد المشكلات المحتملة مبكرًا.
المجتمع والدعم#
احصل على المساعدة وشارك الحلول عبر القنوات والموارد التالية.
المنتديات والقنوات للحصول على المساعدة#
مشكلات GitHub: يحتوي مستودع Ultralytics على GitHub على تبويب المشكلات، حيث يمكنك طرح الأسئلة والإبلاغ عن الأخطاء واقتراح ميزات جديدة. ينشط المجتمع والقائمون على الصيانة هنا، وهو مكان رائع للحصول على المساعدة بشأن مشكلات محددة.
خادم Ultralytics على Discord: لدى Ultralytics خادم على Discord يتيح لك التفاعل مع المستخدمين الآخرين والمطوّرين.
الوثائق والموارد الرسمية#
وثائق Ultralytics YOLO26: تقدم الوثائق الرسمية نظرة شاملة على YOLO26، إلى جانب أدلة التثبيت والاستخدام واستكشاف الأخطاء وإصلاحها.
الخلاصة#
ترجع معظم مشكلات YOLO26 إلى بضعة أسباب شائعة: عدم تطابق الإصدارات، وتنسيق مجموعة البيانات، وإعداد GPU. إذا لم يتناول هذا الدليل خطأً ما، فابحث في علامة تبويب المشكلات على GitHub أو اطرح سؤالك في خادم Discord — فمن المحتمل أن يكون أحدهم قد حل المشكلة بالفعل. ولمعالجة مشكلات التدريب الأكثر تعقيدًا، راجع دليل نصائح تدريب النماذج للاطلاع على إرشادات عملية لتحسين نتائج مشاريع الرؤية الحاسوبية.
الأسئلة الشائعة#
غالبًا ما تنتج أخطاء التثبيت عن مشكلات التوافق أو نقص التبعيات. تأكد من استخدام Python 3.8 أو إصدار أحدث، ومن تثبيت PyTorch 1.8 أو إصدار أحدث. ومن المفيد استخدام البيئات الافتراضية لتجنب التعارضات. للاطلاع على دليل تثبيت خطوة بخطوة، اتبع دليل التثبيت الرسمي. إذا واجهت أخطاء في الاستيراد، فجرّب تثبيتًا جديدًا أو حدّث المكتبة إلى أحدث إصدار.
قد يكون التدريب على GPU واحدة بطيئًا بسبب أحجام الدفعات الكبيرة أو نقص الذاكرة. لتسريع التدريب، استخدم عدة وحدات GPU. تأكد من توفر عدة وحدات GPU في نظامك، واضبط الوسيط
device، مثلdevice=[0,1,2,3]. زد حجم الدفعة بما يتناسب مع الاستفادة الكاملة من وحدات GPU، دون تجاوز حدود الذاكرة. مثال على الأمر:model.train(data="/path/to/your/data.yaml", batch=32, device=[0, 1, 2, 3])إذا أظهرت قيمة
deviceالقيمةnullفي سجلات التدريب، فهذا يعني عموماً أن عملية التدريب مُعدّة لاختيار GPU متاح تلقائياً. لتعيين GPU محدد صراحةً، مرّر الوسيطةdeviceعند بدء التدريب، مثلاًyolo train data=path/to/data.yaml device=0لاختيار أول GPU. شغّلnvidia-smiللتأكد من إعداد CUDA.يمكن إدارة تقدم التدريب وتصورّه بفعالية باستخدام أدوات مثل TensorBoard وComet ومنصة Ultralytics. تتيح لك هذه الأدوات تسجيل مقاييس مثل الخسارة والدقة والاستدعاء وmAP وعرضها بصرياً. كما أن تطبيق الإيقاف المبكر استناداً إلى هذه المقاييس قد يساعد على تحقيق نتائج تدريب أفضل.
تأكد من توافق مجموعة البيانات والتسميات مع التنسيق المتوقع. وتحقق من دقة التعليقات التوضيحية وجودتها. إذا واجهت أي مشكلات، فارجع إلى دليل جمع البيانات والتعليقات التوضيحية للاطلاع على أفضل الممارسات. ولمزيد من الإرشادات الخاصة بمجموعات البيانات، راجع قسم مجموعات البيانات في الوثائق.
التعليقات70
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.
puzzlemindgames
I’ve been working on a browser-based puzzle solver project using Ultralytics YOLO for board and block detection. The model performs quite well locally, but I’m facing some inconsistent detection behavior after deployment and wanted to ask if anyone has experienced something similar.
Current Stack: • YOLO (Ultralytics) • FastAPI • OpenCV • Python • Deployed on a low-memory cloud instance
Issue: The model detects larger blocks correctly, but occasionally misses: • tightly packed shapes • small edge blocks • partially overlapping pieces • low-contrast screenshots from mobile devices This mostly happens on compressed screenshots uploaded by users.
Current Inference Setup: from ultralytics import YOLO
model = YOLO("best.pt")
results = model.predict( source=image, imgsz=512, conf=0.35, max_det=100, verbose=False )
Things I Already Tried • increasing imgsz • lowering confidence threshold • image sharpening with OpenCV • grayscale preprocessing • CLAHE contrast enhancement • retraining with more difficult samples
Another Problem Memory usage spikes heavily during multiple inference requests. I solved most of it by forcing: WEB_CONCURRENCY=1 and reducing worker duplication, but I’m still curious if there’s a cleaner optimization strategy specifically for lightweight YOLO deployments.
My Current Observation YOLO performs extremely well on clear geometric patterns, but puzzle-game screenshots seem tricky because: • blocks are visually similar • spacing is minimal • compression artifacts affect edges • mobile screenshots vary massively between devices
Question Has anyone optimized YOLO specifically for: • grid-based games • puzzle detection • small repeated objects • mobile screenshot analysis
Would love to hear: • pre-processing suggestions • augmentation ideas • lightweight deployment optimizations • whether segmentation models performed better for you
For context, this is part of an AI-powered Block Blast solving project I’ve been experimenting with: https://www.aiblockblastsolver.com/ Appreciate any insights from people who’ve worked with similar detection challenges.
Glenn JocherUltralyticsFor tightly packed small objects on compressed mobile screenshots,
segmodels often outperform puredetect, and the biggest gains usually come from training/inference at higher resolution plus augmentations that mimic JPEG artifacts, blur, scaling, and low contrast from real uploads; for deployment, keep one loaded model per process, warm it up, and use streaming-style inference to limit memory spikes, and if you can share a few failing images plusyolo checksin GitHub Discussions we can help narrow it down further—see Troubleshooting Common YOLO Issues, deployment best practices, and this small object mAP guide.1puzzlemindgames
Thanks for the detailed insights especially the point about segmentation models potentially outperforming pure detection for tightly packed puzzle objects.
I’ve already started experimenting with stronger augmentation pipelines focused on: • JPEG compression artifacts • motion blur • brightness/contrast variation • slight perspective distortion and surprisingly, that alone improved small-shape consistency more than lowering confidence thresholds did. Furthermore, will explore the related guides and get back here if needed.
Really appreciate the guidance.
Glenn JocherUltralyticsGood to hear that helped; the next thing I’d test is size-aware validation plus image tiling for training/inference, since tiny edge pieces often improve more from preserved spatial detail than from further
conftuning alone, and Model Evaluation Insights has a useful section on that.
Mz-Han
Hello, I am using the trained yolov26s-seg.pt for small object segmentation. When I set max-det to a value greater than 500, an error occurs. Would you have time to help me with this? Thank you very much!
torch.cuda.OutOfMemoryError: CUDA out of memory. Tried to allocate4.95GiB (GPU 0;23.99 GiB total capacity;17.39 GiB already allocated; 0 bytes free; 17.65 GiB reserved in total by PyTorch) If reserved memory is >> allocated memory try setting max_split_size_mb to avoid fragmentation. See documentation for Memory Management and PYTORCH_CUDA_ALLOC_CONF
Glenn JocherUltralyticsThat error is expected when
max_detis pushed very high for segmentation—memory scales with the number of kept detections (and masks), somax_det>500can OOM on a 24GB GPU; best next steps are to raiseconf, lowerimgsz, or keepmax_detlower (see the GPU/OOM notes in YOLO common issues troubleshooting). If you think it’s a bug, please paste a text (not screenshot) minimal repro command plusyolo checksoutput as described in Minimum Reproducible Example.yolo task=segment mode=predict model=yolo26s-seg.pt source=your.mp4 imgsz=640 conf=0.4 max_det=300 half=True device=0 yolo checksIf reserved memory is much larger than allocated, also try setting this before running Python (then restart your session/kernel):
export PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:128
EvelynStockard
Troubleshooting common YOLO issues involves checking model configuration, image input size, and environment setup to ensure smooth performance. Many users face errors during training or inference while working with https://yolov8.org/ due to version mismatches or incorrect paths.
dvdface
I ran into a problem. when I started training by yolo cli, after yolo read train and val dataset, it quited, I can only saw many python process in background, but their cpu usage was zero, gpu usage was zero?
what's happened? How to figure it out?
I have tried use python script instead , the same problem occured.
how to tackle it?
Glenn JocherUltralytics@dvdface this sounds like a DataLoader multiprocessing issue that can cause training to hang. Try these solutions in order:
-
Disable multiprocessing workers by adding
workers=0to your training command:yolo train model=yolo11n.pt data=dataset.yaml workers=0 -
Check your environment - ensure you're using the latest ultralytics version:
pip install -U ultralytics -
Verify GPU setup - test if CUDA is working properly:
import torch print(torch.cuda.is_available()) -
Try a fresh environment - create a new virtual environment and reinstall dependencies if the above doesn't work.
The
workers=0fix usually resolves hanging issues during training initialization. Let me know if this helps!-
sjocnjfjd
I have looled the issue guides,but I can not find what I want to solve my problem
---Original--- From: "Glenn @.> Date: Sat, Dec 7, 2024 01:27 AM To: @.>; Cc: @.@.>; Subject: Re: [ultralytics/ultralytics] zh/guides/yolo-common-issues/(Discussion #11739)
@sjocnjfjd your YAML file seems mostly correct, but be cautious with the file path formatting. Replace D:python新建文件夹 (2)/hakusenninnshiki.v2i.yolov11/lane.yaml with a properly formatted path (e.g., D:/python/新建文件夹 (2)/hakusenninnshiki.v2i.yolov11/lane.yaml). Ensure all dataset paths are accessible and the Roboflow url is valid. If issues persist, refer to the YOLO Common Issues guide for troubleshooting.
— Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you were mentioned.Message ID: @.***>
Glenn JocherUltralytics@sjocnjfjd thank you for your comment. If you've already reviewed the issue guides and couldn't find a solution, please provide specific details about your problem, such as the error message or unexpected behavior you're encountering. This will help us assist you more effectively. Additionally, you can reference the YOLO Common Issues guide for further troubleshooting. Let us know how we can assist!
sjocnjfjd
it is my.yaml: path: D:python新建文件夹 (2)/hakusenninnshiki.v2i.yolov11/lane.yaml train: images/train val: images/val test: images/test
nc: 1 names: ['hakusen']
roboflow: workspace: kitazonoken project: hakusenninnshiki version: 2 license: CC BY 4.0 url: https://universe.roboflow.com/kitazonoken/hakusenninnshiki/dataset/2 is it right ?
---Original--- From: "Glenn @.> Date: Fri, Dec 6, 2024 23:59 PM To: @.>; Cc: @.@.>; Subject: Re: [ultralytics/ultralytics] zh/guides/yolo-common-issues/(Discussion #11739)
@sjocnjfjd the error indicates a file path issue. Ensure your data parameter points to the correct yaml file and check that the dataset paths defined in the yaml file are valid and accessible. For guidance on dataset preparation and troubleshooting, refer to YOLO Common Issues. Let us know if you need further clarification!
— Reply to this email directly, view it on GitHub, or unsubscribe. You are receiving this because you were mentioned.Message ID: @.***>
Glenn JocherUltralytics@sjocnjfjd your YAML file seems mostly correct, but be cautious with the file path formatting. Replace
D:python新建文件夹 (2)/hakusenninnshiki.v2i.yolov11/lane.yamlwith a properly formatted path (e.g.,D:/python/新建文件夹 (2)/hakusenninnshiki.v2i.yolov11/lane.yaml). Ensure all dataset paths are accessible and the Roboflowurlis valid. If issues persist, refer to the YOLO Common Issues guide for troubleshooting.
sjocnjfjd
100 epochs completed in 0.146 hours. Optimizer stripped from runs/detect/train/weights/last.pt, 5.5MB Optimizer stripped from runs/detect/train/weights/best.pt, 5.5MB
Validating runs/detect/train/weights/best.pt... Ultralytics 8.3.44 🚀 Python-3.10.12 torch-2.5.1+cu121 CUDA:0 (Tesla T4, 15102MiB) YOLO11n summary (fused): 238 layers, 2,582,347 parameters, 0 gradients, 6.3 GFLOPs
FileNotFoundError Traceback (most recent call last) in <cell line: 4>() 2 3 model = YOLO('https://hub.ultralytics.com/models/kYDnuTY9JD3hHyFdnc5T') ----> 4 results = model.train(data='"D://python//新建文件夹 (2)//hakusenninnshiki.v2i.yolov11//lane.yaml"', project='runs/train', name='exp', epochs=100)
6 frames /usr/local/lib/python3.10/dist-packages/ultralytics/data/utils.py in check_det_dataset(dataset, autodownload) 327 else: 328 m += f"\nNote dataset download directory is '{DATASETS_DIR}'. You can update this in '{SETTINGS_FILE}'" --> 329 raise FileNotFoundError(m) 330 t = time.time() 331 r = None # success
FileNotFoundError: Dataset '/content/datasets/lane/lane.yaml' images not found ⚠️, missing path '/content/datasets/D:python新/建文件夹 (2)/hakusenninnshiki.v2i.yolov11/lane.yaml/images/val' Note dataset download directory is '/content/datasets'. You can update this in '/root/.config/Ultralytics/settings.json' why can i deploy
Glenn JocherUltralytics@sjocnjfjd the error indicates a file path issue. Ensure your
dataparameter points to the correctyamlfile and check that the dataset paths defined in theyamlfile are valid and accessible. For guidance on dataset preparation and troubleshooting, refer to YOLO Common Issues. Let us know if you need further clarification!
tylerfrisinger01
is it possible that YOLOv11 will take a lot longer to train compared to YOLOv8? My model is currently doing about 1 epoch every hour and a half. I currently have it so it will do 300 epochs as recommended on the training page. Should i switch to YOLOv8 instead?
Mohammed YasinUltralyticsYOLOv8 trains faster. But not a lot faster.
tylerfrisinger01
Is there anything I can do to increase the speed of training either v8 or v11? At this point I’m concerned it may take days. Should I only do 100 epochs the first training round and then train it again at 100? And again and again?
Mohammed YasinUltralyticsYou can try training on Google Colab
xsvebmx
Please help (
cmd> yolo task=detect mode=train model=yolov8s.pt data=data_custom.yaml epochs=50 imgsz=640 batch=8
train: Scanning X:\Desktop\NNXTSSS\train\labels.cache... 1 images, 12 backgrounds, 0 corrupt: 100%|██████████| 12/12 [00:00<?, ?it/s] WARNING ⚠️ No labels found in X:\Desktop\NNXTSSS\train\labels.cache, training may not work correctly. See https://docs.ultralytics.com/datasets for dataset formatting guidance. val: Scanning X:\Desktop\NNXTSSS\val\labels.cache... 0 images, 5 backgrounds, 0 corrupt: 100%|██████████| 5/5 [00:00<?, ?it/s] WARNING ⚠️ No labels found in X:\Desktop\NNXTSSS\val\labels.cache, training may not work correctly. See https://docs.ultralytics.com/datasets for dataset formatting guidance. Plotting labels to runs\detect\train7\labels.jpg... zero-size array to reduction operation maximum which has no identity
WARNING ⚠️ no labels found in detect set, can not compute metrics without labels
Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 2/50 2.02G 0 210.6 0 0 640: 100%|██████████| 2/2 [00:02<00:00, 1.45s/it] Class Images Instances Box(P R mAP50 mAP50-95): 0%| | 0/1 [00:00<?, ?it/s]data_custom.yaml
val: X:/Desktop/NNXTSSS/val nc: 1 names: ["hat"]```xsvebmx
Glenn JocherUltralytics@xsvebmx it seems like there are no labels found in your dataset, which is causing the training issues. Please ensure that your label files are correctly formatted and located in the specified directories. You can refer to the dataset formatting guide at https://docs.ultralytics.com/datasets for more details. If the issue persists, double-check the paths in your
data_custom.yamlfile to ensure they point to the correct locations.1xsvebmx
I was stupid , I compiled the data set incorrectly, and because of this, an error was issued, Thank you for support😁 (i wanna sleep😭)
ManojShakya
Subject: Issue with False Object Detections in YOLOv8 Pre-Trained Model
Dear Ultralytics Team,
I am encountering an issue while using a pre-trained YOLOv8 model for object detection. When I input an image containing two objects, such as a cat and a dog, the model unexpectedly detects multiple other objects like a keyboard, sheep, car, train, bus, and more—none of which are actually present in the image and with 100 percentage probability score.
Could you please provide guidance on how to resolve this issue? Any advice or recommendations would be greatly appreciated.
Glenn JocherUltralytics@ManojShakya thank you for reaching out. It sounds like there might be an issue with the model's confidence threshold or potential data inconsistencies. First, ensure you're using the latest version of the YOLOv8 package. If the issue persists, try adjusting the confidence threshold to filter out low-confidence detections. Additionally, verify that your input images and annotations are correctly formatted. For more detailed troubleshooting, please refer to our Common Issues Guide.