Häufige YOLO-Probleme beheben
Dieser Leitfaden behandelt die häufigsten Probleme, auf die du bei der Arbeit mit Ultralytics YOLO26 stößt. Sie sind nach ihrem Auftreten geordnet: Installation, Modelltraining, Vorhersage und Bereitstellung. Springe zur passenden Kategorie oder lies die FAQ, um schnelle Antworten zu finden. Jeder Eintrag beschreibt das Problem und eine konkrete Lösung, die du direkt anwenden kannst.
Ansehen: Häufige Probleme mit Ultralytics YOLO26 | Installationsfehler, Probleme beim Modelltraining
Häufige Probleme#
Installationsfehler#
Installationsfehler können verschiedene Ursachen haben, zum Beispiel inkompatible Versionen, fehlende Abhängigkeiten oder falsch eingerichtete Umgebungen. Überprüfe zunächst Folgendes:
- Du verwendest Python 3.8 oder höher.
- Du hast eine kompatible Version von PyTorch (1.8 oder höher) installiert.
- Du verwendest eine virtuelle Umgebung, um Konflikte zu vermeiden.
- Befolge Schritt für Schritt die offizielle Installationsanleitung.
Hier findest du außerdem Lösungen für häufige Installationsprobleme.
Viele Import-, GPU- und Exportfehler lassen sich einfach durch ein Upgrade beheben. Führe pip install -U ultralytics aus und prüfe, ob deine PyTorch- und CUDA-Versionen kompatibel sind, bevor du mit einer tiefergehenden Fehlersuche beginnst.
Importfehler oder Probleme mit Abhängigkeiten#
Wenn beim Importieren von YOLO26 Fehler auftreten oder du auf Konflikte mit Abhängigkeiten stößt, probiere Folgendes:
- Neuinstallation: Eine saubere Installation kann unerwartete Probleme beheben, insbesondere nach Aktualisierungen, die die Paketstruktur oder Funktionalität ändern.
- Regelmäßig aktualisieren: Verwende die neueste Version der Bibliothek, da ältere Versionen möglicherweise nicht mit aktuellen Aktualisierungen kompatibel sind.
- Abhängigkeiten prüfen: Vergewissere dich, dass alle erforderlichen Abhängigkeiten korrekt installiert sind und kompatible Versionen haben.
- Änderungen überprüfen: Wenn du eine ältere Version installiert hast, lies in der offiziellen Dokumentation oder im Änderungsprotokoll nach, um größere strukturelle Änderungen nachzuvollziehen.
YOLO26 auf der GPU ausführen#
Wenn du Probleme hast, YOLO26 auf einer GPU auszuführen, gehe bei der Fehlersuche folgendermaßen vor:
- CUDA-Kompatibilität und Installation überprüfen: Stelle sicher, dass deine GPU CUDA unterstützt und CUDA korrekt installiert ist. Verwende den Befehl
nvidia-smi, um den Status deiner NVIDIA-GPU und die CUDA-Version zu überprüfen. - PyTorch- und CUDA-Integration überprüfen: Stelle sicher, dass PyTorch CUDA nutzen kann, indem du
import torch; print(torch.cuda.is_available())in einem Python-Terminal ausführst. WennTruezurückgegeben wird, ist PyTorch für die Verwendung von CUDA eingerichtet. - Umgebung aktivieren: Stelle sicher, dass du dich in der richtigen Umgebung befindest, in der alle erforderlichen Pakete installiert sind.
- Pakete aktualisieren: Veraltete Pakete sind möglicherweise nicht mit deiner GPU kompatibel. Halte sie auf dem neuesten Stand.
- Programmkonfiguration: Prüfe, ob dein Code die Verwendung der GPU anfordert. Beim Training oder bei Vorhersagen kannst du das Argument
devicesetzen (zum Beispieldevice=0).
Die Unterstützung für GPU-Architekturen vor Turing – mit einer Compute Capability (SM) unter 7.5, etwa bei der GTX 1080 Ti – wurde in cuDNN 9.11.0 eingestellt. Bei einer älteren GPU benötigst du möglicherweise einen PyTorch-Build, der mit einer früheren CUDA/cuDNN-Version kompiliert wurde. Überprüfe deine Einrichtung mit:
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}")Probleme beim Modelltraining#
Im Folgenden findest du häufige Trainingsprobleme und ihre Lösungen.
Konfigurationseinstellungen überprüfen#
Problem: Du bist dir nicht sicher, ob die Konfigurationseinstellungen in der Datei .yaml während des Modelltrainings korrekt angewendet werden.
Lösung: Dataset-Einstellungen und Trainingseinstellungen befinden sich in verschiedenen .yaml-Dateien und werden über unterschiedliche Argumente von model.train() übergeben. Gehe folgendermaßen vor, um sicherzustellen, dass diese Einstellungen korrekt angewendet werden:
-
Prüfe, ob die Pfade zu deinen
.yaml-Dateien korrekt sind. -
Übergib dein Dataset-
.yaml(Pfade, Klassennamen, Aufteilungen) als Argumentdataund eine benutzerdefinierte.yamlfür die Trainingseinstellungen (zum Beispielepochsoderlr0) als Argumentcfg. Direkt anmodel.train()übergebene Argumente haben Vorrang vor beiden:model.train(data="/path/to/your/data.yaml", cfg="/path/to/your/cfg.yaml", batch=4)
Training mit mehreren GPUs beschleunigen#
Problem: Das Training ist auf einer einzelnen GPU langsam und du möchtest es mit mehreren GPUs beschleunigen.
Lösung: Eine größere Batchgröße kann das Training beschleunigen, aber du musst dabei den verfügbaren GPU-Speicher berücksichtigen. Gehe folgendermaßen vor, um das Training mit mehreren GPUs zu beschleunigen:
-
Stelle sicher, dass mehrere GPUs verfügbar sind.
-
Setze das Argument
deviceauf eine Liste der GPU-Indizes, zum Beispieldevice=[0,1,2,3]. -
Erhöhe die Batchgröße entsprechend, um die mehreren GPUs vollständig auszulasten, ohne die Speichergrenzen zu überschreiten.
-
Passe deinen Trainingsbefehl an, damit mehrere GPUs verwendet werden:
# Passe die Batchgröße und andere Einstellungen nach Bedarf an, um die Trainingsgeschwindigkeit zu optimieren model.train(data="/path/to/your/data.yaml", batch=32, device=[0, 1, 2, 3])
Parameter kontinuierlich überwachen#
Problem: Du möchtest wissen, welche Parameter während des Trainings zusätzlich zum Loss kontinuierlich überwacht werden sollten.
Lösung: Der Loss ist zwar eine wichtige Kennzahl, doch für die Optimierung der Modellleistung solltest du auch weitere Kennzahlen erfassen. Zu den wichtigsten Kennzahlen, die während des Trainings überwacht werden sollten, gehören:
Du findest diese Metriken in den Trainingsprotokollen oder kannst sie mit Tools wie TensorBoard oder Weights & Biases visualisieren. Early Stopping mit dem Trainingsargument patience (standardmäßig 100 Epochen ohne Verbesserung bei der Validierung) hilft, unnötige Epochen und Überanpassung zu vermeiden.
Tools zur Verfolgung des Trainingsfortschritts#
Problem: Du suchst nach Empfehlungen für Tools zur Verfolgung des Trainingsfortschritts.
Lösung: Zur Verfolgung und Visualisierung des Trainingsfortschritts kannst du die folgenden Tools verwenden:
- TensorBoard: TensorBoard ist ein beliebtes Tool zur Visualisierung von Trainingskennzahlen, darunter Loss, Genauigkeit und mehr. Du kannst es in deinen YOLO26-Trainingsprozess integrieren.
- Comet: Comet bietet ein umfangreiches Toolkit zur Erfassung und zum Vergleich von Experimenten. Damit kannst du Kennzahlen, Hyperparameter und sogar Modellgewichte verfolgen. Die Integration mit YOLO-Modellen ist ebenfalls unkompliziert und bietet dir einen vollständigen Überblick über den gesamten Experimentierzyklus.
- Ultralytics Platform: Die Ultralytics Platform erfasst YOLO-Trainingsläufe zusammen mit deinen Datensätzen und Modellen. So kannst du Metriken vergleichen und an einem Ort mit deinem Team zusammenarbeiten.
So prüfst du, ob das Training auf der GPU ausgeführt wird#
Problem: Der Wert device in den Trainingsprotokollen lautet null, und du bist dir nicht sicher, ob das Training auf der GPU läuft.
Lösung: Ein Wert device für null bedeutet in der Regel, dass der Trainingsprozess automatisch eine verfügbare GPU auswählt. Das ist das Standardverhalten. Um auf einer bestimmten GPU zu trainieren, setze beim Start des Trainings das Argument device. device ist ein Trainingsargument. Wenn du es in der .yaml-Datei deines Datensatzes festlegst, hat das daher keine Auswirkungen:
from ultralytics import YOLO
# Ein Modell laden
model = YOLO("yolo26n.pt")
# # GPU 0 verwenden; device=[0, 1] für mehrere GPUs, device="cpu" für CPU
model.train(data="path/to/data.yaml", device=0)Behalte den Ordner runs im Blick, um Protokolle und Metriken zu überwachen und den Trainingsfortschritt effektiv nachzuverfolgen.
Wichtige Aspekte für effektives Modelltraining#
Beachte Folgendes, wenn Probleme beim Modelltraining auftreten.
Datensatzformat und Labels
- Bedeutung: Die Grundlage jedes Modells für maschinelles Lernen sind Qualität und Format der Trainingsdaten.
- Empfehlung: Stelle sicher, dass dein benutzerdefinierter Datensatz und die zugehörigen Labels dem erwarteten Format entsprechen. Prüfe unbedingt, ob die Annotationen korrekt und von hoher Qualität sind. Falsche oder mangelhafte Annotationen können den Lernprozess des Modells beeinträchtigen und zu unvorhersehbaren Ergebnissen führen.
Konvergenz des Modells
- Bedeutung: Die Konvergenz des Modells stellt sicher, dass es ausreichend aus den Trainingsdaten gelernt hat.
- Empfehlung: Beim Training eines Modells „von Grund auf“ muss sichergestellt werden, dass das Modell einen zufriedenstellenden Konvergenzgrad erreicht. Dafür kann eine längere Trainingsdauer mit mehr Epochen erforderlich sein als beim Feinabstimmen eines vorhandenen Modells.
Lernrate und Batchgröße
- Bedeutung: Diese Hyperparameter bestimmen, wie das Modell seine Gewichte während des Trainings aktualisiert.
- Empfehlung: Überprüfe regelmäßig, ob die gewählte Lernrate und Batchgröße zu deinem Datensatz passen, und ziehe eine Hyperparameteroptimierung in Betracht, um bessere Werte zu finden. Parameter, die nicht zu den Eigenschaften des Datensatzes passen, können die Modellleistung beeinträchtigen.
Klassenverteilung
- Bedeutung: Die Klassenverteilung in deinem Datensatz kann die Vorhersagen des Modells beeinflussen.
- Empfehlung: Prüfe regelmäßig die Klassenverteilung in deinem Datensatz, zum Beispiel mit einem Skript zur Datensatzprüfung. Bei einem Klassenungleichgewicht besteht das Risiko, dass das Modell die häufiger vorkommende Klasse bevorzugt. Diese Verzerrung kann sich in der Konfusionsmatrix zeigen, in der das Modell möglicherweise überwiegend die Mehrheitsklasse vorhersagt.
Abgleich mit vortrainierten Gewichten
- Bedeutung: Die Nutzung vortrainierter Gewichte kann einen soliden Ausgangspunkt für das Modelltraining bieten, insbesondere bei begrenzten Daten.
- Empfehlung: Als Diagnoseschritt kannst du dein Modell mit denselben Daten trainieren, es dabei jedoch mit vortrainierten Gewichten initialisieren. Ergibt dieser Ansatz eine gut strukturierte Konfusionsmatrix, könnte das darauf hindeuten, dass das Modell, das „von Grund auf“ trainiert wurde, weiteres Training oder Anpassungen benötigt.
Probleme mit Modellvorhersagen#
Im Folgenden werden häufige Probleme bei Modellvorhersagen und ihre Lösungen behandelt.
Bounding-Box-Vorhersagen mit deinem benutzerdefinierten YOLO26-Modell abrufen#
Problem: Bei Vorhersagen mit einem benutzerdefinierten YOLO26-Modell gibt es Schwierigkeiten mit dem Format und der Visualisierung der Bounding-Box-Koordinaten.
Lösung:
-
Koordinatenformat: YOLO26 gibt Koordinaten von Begrenzungsboxen in absoluten Pixelwerten aus. Um diese in relative Koordinaten (im Bereich von 0 bis 1) umzuwandeln, musst du sie durch die Bildabmessungen teilen. Beispiel bei einer Bildgröße von 640x640:
# Absolute Koordinaten in relative Koordinaten umwandeln x1 = x1 / 640 # x-Koordinaten durch die Bildbreite teilen x2 = x2 / 640 y1 = y1 / 640 # y-Koordinaten durch die Bildhöhe teilen y2 = y2 / 640Alternativ kannst du die Attribute
boxes.xyxynoderboxes.xywhnjedes Ergebnisses verwenden, die bereits normalisierte Koordinaten zurückgeben. -
Dateiname: Um den Dateinamen des Bildes abzurufen, für das du Vorhersagen erstellst, lies den Bilddateipfad innerhalb deiner Vorhersageschleife aus dem Attribut
pathjedes Ergebnisobjekts aus (zum Beispielresult.path).
Objekte in YOLO26-Vorhersagen filtern#
Problem: Bei der Verwendung der Ultralytics-Bibliothek mit YOLO26 gibt es Schwierigkeiten damit, in den Vorhersageergebnissen nur bestimmte Objekte zu filtern und anzuzeigen.
Lösung: Um bestimmte Klassen zu erkennen, verwende das Argument classes, um die Klassen anzugeben, die in der Ausgabe enthalten sein sollen. Um beispielsweise nur Autos zu erkennen (Klassenindex 2 in COCO):
yolo segment predict model=yolo26n-seg.pt source='path/to/car.mp4' show=True classes=2Präzisionsmetriken in YOLO26 verstehen#
Problem: Es ist unklar, worin sich die Precision von Boxen, die Precision von Masken und die Precision der Konfusionsmatrix in YOLO26 unterscheiden.
Lösung: Die Precision von Boxen misst anhand der IoU (Schnittmenge über Vereinigungsmenge), wie genau vorhergesagte Begrenzungsboxen mit den tatsächlichen Ground-Truth-Boxen übereinstimmen. Die Precision von Masken bewertet die Übereinstimmung zwischen vorhergesagten Segmentierungsmasken und Ground-Truth-Masken bei der objektbezogenen Klassifizierung auf Pixelebene. Die Precision der Konfusionsmatrix konzentriert sich dagegen auf die Gesamtgenauigkeit der Klassifizierung über alle Klassen hinweg und berücksichtigt nicht die geometrische Genauigkeit der Vorhersagen. Wichtig ist: Eine Begrenzungsbox kann geometrisch genau sein (richtig positiv), selbst wenn die Klassenvorhersage falsch ist. Dadurch können sich die Precision von Boxen und die Precision der Konfusionsmatrix unterscheiden. Diese Metriken bewerten verschiedene Aspekte der Modellleistung und zeigen, dass für unterschiedliche Aufgaben unterschiedliche Bewertungsmetriken erforderlich sind.
Objektabmessungen in YOLO26 extrahieren#
Problem: Es ist schwierig, die Breite und Höhe erkannter Objekte in YOLO26 abzurufen, insbesondere wenn in einem Bild mehrere Objekte erkannt werden.
Lösung: Um die Abmessungen der Bounding-Box abzurufen, verwende zunächst das Ultralytics-YOLO26-Modell, um Objekte in einem Bild vorherzusagen. Extrahiere anschließend die Breiten- und Höhenangaben der Bounding-Boxen aus den Vorhersageergebnissen.
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}")Herausforderungen bei der Bereitstellung#
Probleme bei der GPU-Bereitstellung#
Problem: Der Einsatz von Modellen in einer Umgebung mit mehreren GPUs kann manchmal zu unerwartetem Verhalten führen, etwa zu ungewöhnlichem Speicherverbrauch oder abweichenden Ergebnissen auf den einzelnen GPUs.
Lösung: Prüfe, ob standardmäßig eine GPU initialisiert wird. Einige Frameworks wie PyTorch initialisieren möglicherweise CUDA-Vorgänge auf einer Standard-GPU, bevor sie zu den festgelegten GPUs wechseln. Um unerwartete Standardinitialisierungen zu vermeiden, gib beim Einsatz und bei der Vorhersage die GPU direkt an. Überwache anschließend mit geeigneten Tools die GPU-Auslastung und den Speicherverbrauch, um Anomalien in Echtzeit zu erkennen. Stelle außerdem sicher, dass du die neueste Version des Frameworks oder der Bibliothek verwendest.
Probleme bei der Modellkonvertierung und beim Export#
Problem: Bei der Konvertierung oder dem Export von Machine-Learning-Modellen in andere Formate oder auf andere Plattformen können Fehler oder unerwartetes Verhalten auftreten.
Lösung: Sieh dir in der Dokumentation zum Exportmodus die unterstützten Formate und die jeweiligen Optionen an und arbeite dann die folgenden Prüfungen durch:
- Kompatibilitätsprüfung: Stelle sicher, dass du zueinander kompatible Versionen von Bibliotheken und Frameworks verwendest. Nicht übereinstimmende Versionen können bei der Konvertierung zu unerwarteten Fehlern führen.
- Umgebung zurücksetzen: Wenn du eine interaktive Umgebung wie Jupyter oder Colab verwendest, solltest du sie nach größeren Änderungen oder Installationen neu starten. Ein Neustart kann manchmal zugrunde liegende Probleme beheben.
- Offizielle Dokumentation: Richte dich immer nach der offiziellen Dokumentation des Konvertierungstools oder der verwendeten Bibliothek. Sie enthält häufig spezifische Richtlinien und bewährte Vorgehensweisen für den Modellexport.
- Unterstützung durch die Community: Sieh im offiziellen Repository der Bibliothek oder des Frameworks nach, ob andere Nutzer ähnliche Probleme gemeldet haben. Die Maintainer oder die Community haben möglicherweise Lösungen oder Umgehungen in Diskussionen vorgeschlagen.
- Regelmäßig aktualisieren: Stelle sicher, dass du die neueste Version des Tools oder der Bibliothek verwendest. Entwickler veröffentlichen regelmäßig Updates, die bekannte Fehler beheben oder die Funktionalität verbessern.
- Schrittweise testen: Teste den Vorgang vor einer vollständigen Konvertierung mit einem kleineren Modell oder Datensatz, um mögliche Probleme frühzeitig zu erkennen.
Community und Unterstützung#
Über die folgenden Kanäle und Ressourcen erhältst du Hilfe und kannst Lösungen teilen.
Foren und Kanäle für Unterstützung#
GitHub-Issues: Das Ultralytics-Repository auf GitHub enthält einen Issues-Bereich, in dem du Fragen stellen, Fehler melden und neue Funktionen vorschlagen kannst. Die Community und die Maintainer sind dort aktiv. Der Bereich eignet sich hervorragend, um Hilfe bei konkreten Problemen zu erhalten.
Ultralytics-Discord-Server: Ultralytics betreibt einen Discord-Server, auf dem du dich mit anderen Nutzern und den Entwicklern austauschen kannst.
Offizielle Dokumentation und Ressourcen#
Ultralytics-YOLO26-Dokumentation: Die offizielle Dokumentation bietet einen umfassenden Überblick über YOLO26 sowie Anleitungen zur Installation und Verwendung und zur Fehlerbehebung.
Fazit#
Die meisten Probleme mit YOLO26 gehen auf einige wenige Ursachen zurück: inkompatible Versionen, falsche Formatierung des Datensatzes und GPU-Konfiguration. Wenn ein Fehler hier nicht behandelt wird, suche im Tab GitHub Issues oder frage auf dem Discord-Server nach – wahrscheinlich hat schon jemand eine Lösung gefunden. Bei komplexeren Problemen mit dem Training findest du im Leitfaden Tipps zum Modelltraining praktische Hinweise, um mit deinen Computer-Vision-Projekten bessere Ergebnisse zu erzielen.
Häufig gestellte Fragen#
Installationsfehler können häufig auf Kompatibilitätsprobleme oder fehlende Abhängigkeiten zurückzuführen sein. Stelle sicher, dass du Python 3.8 oder höher verwendest und PyTorch 1.8 oder höher installiert hast. Virtuelle Umgebungen helfen, Konflikte zu vermeiden. Eine schrittweise Anleitung findest du in unserem offiziellen Installationsleitfaden. Wenn Importfehler auftreten, installiere die Bibliothek neu oder aktualisiere sie auf die neueste Version.
Das Training auf einer einzelnen GPU kann aufgrund großer Batchgrößen oder unzureichenden Speichers langsam sein. Verwende mehrere GPUs, um das Training zu beschleunigen. Stelle sicher, dass in deinem System mehrere GPUs verfügbar sind, und setze das Argument
device, zum Beispiel aufdevice=[0,1,2,3]. Erhöhe die Batchgröße entsprechend, damit die GPUs vollständig ausgelastet werden, ohne die Speichergrenzen zu überschreiten. Beispielbefehl:model.train(data="/path/to/your/data.yaml", batch=32, device=[0, 1, 2, 3])Wenn der Wert
devicein den Trainingsprotokollennulllautet, bedeutet das im Allgemeinen, dass der Trainingsprozess automatisch eine verfügbare GPU auswählt. Um ausdrücklich eine bestimmte GPU zuzuweisen, übergib beim Start des Trainings das Argumentdevice, zum Beispielyolo train data=path/to/data.yaml device=0für die erste GPU. Führenvidia-smiaus, um deine CUDA-Einrichtung zu überprüfen.Mit Tools wie TensorBoard, Comet und der Ultralytics Platform lässt sich der Trainingsfortschritt effizient verfolgen und visualisieren. Mit diesen Tools kannst du Metriken wie Loss, Precision, Recall und mAP protokollieren und visualisieren. Auch Early Stopping auf Grundlage dieser Metriken kann zu besseren Trainingsergebnissen beitragen.
Stelle sicher, dass dein Datensatz und die Labels dem erwarteten Format entsprechen. Prüfe, ob die Annotationen korrekt und von hoher Qualität sind. Bei Problemen findest du bewährte Vorgehensweisen im Leitfaden zur Datenerfassung und Annotation. Weitere Hinweise zu bestimmten Datensätzen findest du im Abschnitt Datensätze der Dokumentation.
Kommentare70
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.
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.